دوره یادگیری متعامد برای تخمین اثرات علّی ناهمگن در شبکه‌ها: رویکرد GNN-محور همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: 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

• 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