فلش‌کارت‌های آموزشی یادگیری متعامد برای تخمین اثرات علّی ناهمگن در شبکه‌ها: رویکرد GNN-محور

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: یادگیری متعامد برای تخمین اثرات علّی ناهمگن در شبکه‌ها: رویکرد GNN-محور

موضوع کلی: یادگیری عمیق برای استنباط علّی

موضوع میانی: استنباط علّی ناهمگن و اثرات متقابل در شبکه‌ها

📋 سرفصل‌های دوره (100 موضوع)

• 1. مقدمه‌ای بر استنباط علّی: فراتر از همبستگی
• 2. چرا استنباط علّی در یادگیری ماشین اهمیت دارد؟
• 3. نردبان علیت جودیا پرل: دیدن، انجام دادن، تصور کردن
• 4. معرفی چارچوب پیامدهای بالقوه (Potential Outcomes)
• 5. اثر درمانی میانگین (ATE)، اثر درمانی بر روی درمان‌شدگان (ATT)
• 6. مسئله بنیادین استنباط علّی
• 7. مفاهیم کلیدی: گروه کنترل، گروه درمان و متغیرهای مداخله
• 8. آشنایی با شبکه‌ها و گراف‌ها: گره‌ها، یال‌ها و همسایگی
• 9. چالش‌های منحصربه‌فرد استنباط علّی در شبکه‌ها
• 10. پدیده سرایت (Spillover) و نقض فرض SUTVA
• 11. مقدمه‌ای بر اثرات درمانی ناهمگن (HTE)
• 12. چرا به تخمین اثرات فردی و ناهمگن نیاز داریم؟
• 13. مروری بر مقاله الهام‌بخش: اهداف، نوآوری‌ها و ساختار
• 14. نقشه راه دوره: از مبانی تا پیاده‌سازی مدل پیشرفته
• 15. بخش دوم: مبانی آماری استنباط علّی
• 16. فرض نادیده‌انگاری (Ignorability) یا تبادل‌پذیری شرطی
• 17. فرض سازگاری (Consistency) و فرض مثبت بودن (Positivity)
• 18. متغیرهای مخدوشگر (Confounders) و شناسایی آن‌ها
• 19. نمودارهای علّی (Causal Graphs) و مفاهیم d-separation
• 20. قانون درب پشتی (Back-door Criterion) برای کنترل مخدوشگرها
• 21. امتیاز تمایل (Propensity Score): تعریف و کاربرد
• 22. روش‌های مبتنی بر امتیاز تمایل: وزن‌دهی معکوس (IPW)
• 23. روش‌های مبتنی بر امتیاز تمایل: تطبیق (Matching)
• 24. متا-یادگیرنده‌ها برای تخمین HTE: S-Learner و T-Learner
• 25. متا-یادگیرنده‌ها برای تخمین HTE: X-Learner و R-Learner
• 26. معرفی جنگل‌های علّی (Causal Forests)
• 27. بخش سوم: شبکه‌های عصبی گراف (GNN) برای یادگیری روی شبکه‌ها
• 28. چرا به GNN نیاز داریم؟ محدودیت‌های شبکه‌های عصبی سنتی
• 29. یادگیری بازنمایی گره (Node Representation Learning)
• 30. مکانیسم بنیادین GNN: انتشار پیام (Message Passing)
• 31. شبکه‌های عصبی کانولوشنی گراف (GCN): مبانی و ریاضیات
• 32. معماری GraphSAGE: نمونه‌برداری از همسایگان برای گراف‌های بزرگ
• 33. شبکه‌های عصبی توجه گراف (GAT): وزن‌دهی به همسایگان
• 34. آماده‌سازی داده‌های گراف برای مدل‌های GNN
• 35. کتابخانه‌های محبوب برای پیاده‌سازی GNN: PyTorch Geometric و DGL
• 36. بخش چهارم: تعریف علیت در شبکه‌ها و اثرات سرایت
• 37. تعریف دقیق اثرات علّی تحت سرایت (Interference)
• 38. نقشه‌برداری مواجهه (Exposure Mapping): تعریف مواجهه یک گره
• 39. اثر مستقیم (Direct Effect): اثر درمان بر روی خود فرد
• 40. اثر غیرمستقیم یا سرایتی (Indirect/Spillover Effect): اثر درمان همسایگان
• 41. تفکیک اثرات سرایتی بر اساس فاصله در شبکه (k-hop neighbors)
• 42. مخدوش‌گری شبکه‌ای (Network Confounding): هموفیلی و تاثیر اجتماعی
• 43. چالش‌های شناسایی (Identification) اثرات علّی در حضور سرایت
• 44. بخش پنجم: یادگیری متعامد و ماشین‌های دوگانه (Double Machine Learning)
• 45. مشکل سوگیری ناشی از تنظیم‌سازی (Regularization Bias) در تخمین علّی
• 46. مفهوم تعامد نیمن (Neyman Orthogonality)
• 47. توابع مزاحم (Nuisance Functions): مدل پیامد و مدل امتیاز تمایل
• 48. یادگیری ماشین دوگانه (DML): یک رویکرد دو مرحله‌ای
• 49. نقش حیاتی نمونه‌گیری متقاطع (Cross-Fitting) در DML
• 50. چرا تعامد به تخمین‌گرهای مقاوم (Robust) منجر می‌شود؟
• 51. تئوری پشت DML: کاهش حساسیت به خطای تخمین توابع مزاحم
• 52. از DML تا یادگیری متعامد در مدل‌های عمیق
• 53. بخش ششم: معماری مدل GNN-محور برای تخمین HTE در شبکه‌ها
• 54. معماری کلی مدل: ترکیب GNN و یادگیری متعامد
• 55. تعریف توابع مزاحم در بستر شبکه
• 56. مدل‌سازی تابع پیامد (Outcome Model) با استفاده از GNN
• 57. مدل‌سازی تابع امتیاز تمایل (Propensity Model) با استفاده از GNN
• 58. نقش GNN در یادگیری بازنمایی‌های غنی از ساختار شبکه
• 59. تجزیه اثر ناهمگن کلی به اثرات مستقیم و سرایتی
• 60. استفاده از مکانیسم توجه (Attention) برای تجمیع اثرات همسایگان
• 61. بخش هفتم: تابع زیان متعامد و فرآیند آموزش
• 62. فرمول‌بندی تابع زیان متعامد برای تخمین اثر مستقیم
• 63. فرمول‌بندی تابع زیان متعامد برای تخمین اثر سرایتی
• 64. ترکیب زیان‌ها: آموزش همزمان مدل‌های پیامد و تمایل
• 65. مرحله نهایی: آموزش مدل تخمین‌گر CATE بر روی باقیمانده‌ها
• 66. جزئیات فرآیند آموزش مبتنی بر نمونه‌گیری متقاطع
• 67. بررسی گام‌به‌گام الگوریتم یادگیری متعامد در مدل پیشنهادی
• 68. جلوگیری از بیش‌برازش (Overfitting) در مدل‌های پیچیده GNN
• 69. بخش هشتم: پیاده‌سازی عملی مدل
• 70. راه‌اندازی محیط برنامه‌نویسی: Python، PyTorch و PyG
• 71. ساختارهای داده برای مسائل علّیت شبکه‌ای
• 72. پیاده‌سازی ماژول GNN برای مدل پیامد (Outcome)
• 73. پیاده‌سازی ماژول GNN برای مدل تمایل (Propensity)
• 74. پیاده‌سازی تابع زیان متعامد سفارشی در PyTorch
• 75. نوشتن حلقه آموزش (Training Loop) با منطق Cross-Fitting
• 76. بهینه‌سازی محاسبات و استفاده از GPU
• 77. نکات عملی برای اشکال‌زدایی (Debugging) مدل‌های علّی عمیق
• 78. بخش نهم: ارزیابی و آزمایش‌ها
• 79. معیارهای ارزیابی برای تخمین‌گرهای CATE: PEHE و ATE Error
• 80. تولید داده‌های مصنوعی با ساختار شبکه‌ای و اثرات علّی مشخص
• 81. چگونه یک شبیه‌سازی معتبر برای ارزیابی مدل طراحی کنیم؟
• 82. مقایسه عملکرد مدل با روش‌های پایه (Baselines)
• 83. تحلیل نتایج بر روی داده‌های مصنوعی: بازیابی اثرات واقعی
• 84. مطالعه موردی اول: تحلیل اثر کمپین‌های بازاریابی در شبکه‌های اجتماعی
• 85. مطالعه موردی دوم: تخمین اثر یک سیاست اقتصادی در شبکه‌های تجاری
• 86. تفسیرپذیری نتایج: شناسایی گره‌های با بیشترین و کمترین اثر
• 87. تحلیل حساسیت (Sensitivity Analysis) نسبت به مخدوشگرهای پنهان
• 88. بخش دهم: موضوعات پیشرفته و مسیرهای آینده
• 89. گسترش مدل برای درمان‌های پیوسته یا چند مقداری
• 90. مدل‌سازی شبکه‌های پویا (Dynamic Networks) و درمان‌های متغیر با زمان
• 91. مقابله با چالش مقیاس‌پذیری در گراف‌های بسیار بزرگ
• 92. ترکیب یادگیری متعامد با سایر رویکردهای علّی (مانند متغیرهای ابزاری)
• 93. محدودیت‌های رویکرد GNN-محور و یادگیری متعامد
• 94. مسائل اخلاقی در تخمین اثرات ناهمگن و تصمیم‌گیری‌های الگوریتمی
• 95. مرور پژوهش‌های اخیر در زمینه استنباط علّی روی گراف‌ها
• 96. جمع‌بندی دوره و ارائه ایده‌هایی برای پروژه‌های نهایی

آیا آماده‌اید قدرت استنباط علّی در شبکه‌ها را آزاد کنید؟

تصور کنید در حال تحلیل شبکه‌های اجتماعی، داده‌های پزشکی، یا سیستم‌های اقتصادی هستید. سوالات کلیدی در این سناریوها این است: چگونه می‌توان اثر یک مداخله را بر یک فرد یا گروه، با در نظر گرفتن اثرات جانبی بر دیگران، به طور دقیق اندازه‌گیری کرد؟ پاسخ در استنباط علّی ناهمگن در شبکه‌ها نهفته است.

ما با الهام از مقاله علمی پیشرو با عنوان "Estimating Heterogeneous Causal Effect on Networks via Orthogonal Learning"، دوره‌ای جامع طراحی کرده‌ایم تا شما را در مسیر تسلط بر این حوزه پیچیده یاری کنیم. این مقاله، رویکردی نوآورانه برای تخمین اثرات علّی در شبکه‌ها با استفاده از یادگیری متعامد و شبکه‌های عصبی گراف (GNN) ارائه می‌دهد. دوره ما، نه تنها مفاهیم ارائه شده در این مقاله را پوشش می‌دهد، بلکه شما را با ابزارها و تکنیک‌های عملی مورد نیاز برای پیاده‌سازی این روش‌ها آشنا می‌کند.

درباره دوره: سفری به اعماق استنباط علّی با GNNها

دوره "یادگیری متعامد برای تخمین اثرات علّی ناهمگن در شبکه‌ها: رویکرد GNN-محور" یک برنامه آموزشی پیشرفته است که به شما در درک و پیاده‌سازی تکنیک‌های نوین استنباط علّی در محیط‌های شبکه‌ای کمک می‌کند. ما با بررسی چالش‌های موجود در تخمین اثرات علّی، به ویژه در مواردی که اثرات یک مداخله بر روی یک واحد می‌تواند بر نتایج دیگر واحدها تأثیر بگذارد، شروع می‌کنیم. سپس، با استفاده از چارچوب ارائه شده در مقاله "Estimating Heterogeneous Causal Effect on Networks via Orthogonal Learning"، نحوه استفاده از شبکه‌های عصبی گراف (GNN) و یادگیری متعامد را برای غلبه بر این چالش‌ها آموزش می‌دهیم. شما یاد خواهید گرفت که چگونه اثرات مستقیم و جانبی را به طور دقیق تخمین بزنید، تداخلات شبکه‌ای را مدل‌سازی کنید، و از نتایج به دست آمده برای تصمیم‌گیری‌های آگاهانه استفاده کنید.

موضوعات کلیدی: گامی فراتر از نظریه، به سوی عمل

• مقدمه‌ای بر استنباط علّی و چالش‌های آن در محیط‌های شبکه‌ای
• آشنایی با مفهوم تداخل (Interference) و اثرات جانبی (Spillover Effects)
• بررسی فرضیه Stable Unit Treatment Value Assumption (SUTVA) و محدودیت‌های آن
• معرفی یادگیری متعامد (Orthogonal Learning) و نقش آن در کاهش سوگیری
• شبکه‌های عصبی گراف (GNN) و کاربردهای آن در استنباط علّی
• مدل‌سازی تداخلات شبکه‌ای با استفاده از مدل‌های مبتنی بر توجه (Attention)
• تخمین اثرات علّی ناهمگن با در نظر گرفتن ویژگی‌های واحدها و ساختار شبکه
• روش‌های اعتبارسنجی و ارزیابی نتایج استنباط علّی
• مطالعات موردی و کاربردهای عملی استنباط علّی در زمینه‌های مختلف
• پیاده‌سازی و آزمایش تکنیک‌های استنباط علّی با استفاده از کتابخانه‌های پایتون

مخاطبان دوره: چه کسانی از این دوره بهره‌مند خواهند شد؟

این دوره برای افراد زیر طراحی شده است:

• پژوهشگران و دانشجویان تحصیلات تکمیلی در زمینه‌های علوم داده، یادگیری ماشین، آمار، اقتصاد، علوم اجتماعی و علوم پزشکی
• متخصصان داده و تحلیلگرانی که به دنبال درک عمیق‌تر از اثرات علّی در محیط‌های پیچیده هستند
• مهندسان یادگیری ماشین که می‌خواهند از تکنیک‌های پیشرفته استنباط علّی در پروژه‌های خود استفاده کنند
• تصمیم‌گیرندگان و مدیرانی که به دنبال اتخاذ تصمیمات آگاهانه بر اساس شواهد علّی هستند

چرا این دوره را بگذرانیم؟ مزایای کلیدی

گذراندن این دوره به شما این امکان را می‌دهد تا:

• درک عمیقی از اصول استنباط علّی و چالش‌های آن در محیط‌های شبکه‌ای به دست آورید.
• توانایی پیاده‌سازی و استفاده از تکنیک‌های پیشرفته یادگیری ماشین برای تخمین اثرات علّی را کسب کنید.
• مهارت‌های خود را در استفاده از شبکه‌های عصبی گراف (GNN) ارتقا دهید.
• نتایج دقیق‌تر و قابل اعتماد‌تری در پروژه‌های استنباط علّی خود به دست آورید.
• در بازار کار رقابتی، خود را به عنوان یک متخصص استنباط علّی متمایز کنید.

سرفصل‌های دوره: نقشه راه شما به سوی تسلط

دوره "یادگیری متعامد برای تخمین اثرات علّی ناهمگن در شبکه‌ها: رویکرد GNN-محور" شامل 100 سرفصل جامع است که به طور دقیق و گام به گام شما را در مسیر یادگیری هدایت می‌کند. برخی از مهم‌ترین سرفصل‌ها عبارتند از:

• مقدمه ای بر استنباط علّی: مفاهیم پایه، سوگیری، و روش های مقابله با آن
• مروری بر روش های سنتی استنباط علّی: Matching، Regression، Instrument Variable
• چالش های استنباط علّی در شبکه ها: تداخل، همبستگی شبکه ای، متغیرهای پنهان
• مقدمه ای بر شبکه های عصبی گراف (GNN): معماری ها، الگوریتم های یادگیری، کاربردها
• استفاده از GNN ها برای مدل سازی همبستگی شبکه ای و کاهش سوگیری
• یادگیری متعامد (Orthogonal Learning): اصول، مزایا، و نحوه پیاده سازی
• تخمین اثرات علّی ناهمگن: مدل سازی اثرات مختلف بر اساس ویژگی های فردی و شبکه
• مدل سازی تداخلات شبکه ای با استفاده از مکانیسم های توجه (Attention)
• ارزیابی و اعتبارسنجی نتایج استنباط علّی: روش های مختلف و معیارها
• مطالعات موردی: کاربرد استنباط علّی در حوزه های مختلف (شبکه های اجتماعی، پزشکی، اقتصاد)
• پیاده سازی عملی با پایتون: استفاده از کتابخانه های PyTorch Geometric و EconML
• بهینه سازی عملکرد: روش های کاهش پیچیدگی محاسباتی و بهبود دقت
• مباحث پیشرفته: استنباط علّی پویا، استنباط علّی با داده های گمشده
• و ده‌ها سرفصل دیگر که شما را به یک متخصص استنباط علّی تبدیل می‌کنند!

همین حالا ثبت نام کنید و به جمع متخصصان استنباط علّی بپیوندید! آینده‌ی داده‌ها در دستان شماست.