请注意，CIRL超过了基于领域变量表示的方法CCSA[34]和MMD-AAE[22]，差距很大，分别为8.0%和7.9%，这表明了挖掘数据和标签之间内在因果机制的重要性，而不是表面的统计依赖。为了直观地验证CIRL学习的表征可以模拟因果关系的说法，我们利用文献[52]中的可视化技术，提供了基线（即DeepAll）和CIRL方法的最后卷积层的注意力图。很明显，在ResNet-18和ResNet-50

第三部分，到逻辑斯蒂回归模型，第一部分结束

因果关系的发现是科学和医学的一个基本问题。近年来，人们提出了许多优雅的方法来从观察数据中发现两个变量之间的因果关系。然而，这些方法大多只处理纯粹的定向因果关系，而不能发现潜在的共同原因。在这里，我们设计了一种通用的启发式方法，它采用了只能区分纯定向因果关系的因果发现算法，并对其进行了修改，以检测潜在的共同原因。我们将我们的方法应用于两种有向因果发现算法，即Daniusis等人的信息几何因果推断（I

总算找到一个认认真真教学代码的大佬了5555551.按住ctrl键，鼠标单击函数可以跳转源码。此处发现不行，发现是没有安装vscode的python extension，这个一定要安装！（是debug的时候vscode自己跳出来建议安装extension的）2.debug左上角Run-startdebugging鼠标单击小红点位置可以设置断点（没有安装python extension之前也不能用）

瞎看吧。。。。至少做个笔记https://www.bilibili.com/video/BV1UE411G78S?from=search&1

总算找到一个认认真真教学代码的大佬了5555551.按住ctrl键，鼠标单击函数可以跳转源码。此处发现不行，发现是没有安装vscode的python extension，这个一定要安装！（是debug的时候vscode自己跳出来建议安装extension的）2.debug左上角Run-startdebugging鼠标单击小红点位置可以设置断点（没有安装python extension之前也不能用）

一个典型的神经网路-网络组成要素概述首先来一个最basic也是最原始的网络结构，此处表示的是一个全连接网络。红色框：input输入层，（卷积神经网络是三维的，包括正常图像的二维坐标和一个深度维度（目前理解为表示颜色，之后学习到再更新知识点）绿色框：表示隐藏层，实际运算中计算的中间参数（不输出，是不是就是可解释人工智能focus的 、不知道有什么实际意义的“黑盒”？）（一般来说神经网路实际应用中有多

速通一下，概述至线性回归

瞎看吧。。。。至少做个笔记https://www.bilibili.com/video/BV1UE411G78S?from=search&1

瞎看吧。。。。至少做个笔记https://www.bilibili.com/video/BV1UE411G78S?from=search&1