表示学习被广泛用于观察数据的因果量(例如,有条件的平均治疗效应)。尽管现有的表示学习方法具有允许端到端学习的好处,但他们没有Neyman-Ottrol-ottrodenal学习者的理论特性,例如Double Ro-Busberness和Quasi-Oracle效率。此外,这种表示的学习方法通常采用诸如平衡之类的规范约束,甚至可能导致估计不一致。在本文中,我们提出了一类新型的Neyman-Ottrodonal学习者,以在代表水平上定义的因果数量,我们称之为或称为校友。我们的旅行者具有几个实际的优势:它们允许基于任何学习的表示形式对因果量进行一致的估计,同时提供了有利的理论属性,包括双重鲁棒性和准门的效率。在多个实验中,我们表明,在某些规律性条件下,我们的或学习者改善了现有的表示学习方法并实现最先进的绩效。据我们所知,我们的或学习者是第一批提供代表学习方法的统一框架,而Neyman-ottrol-ottrodenal学习者进行因果量估计。
生成的AI在创意和艺术领域取得了重要的立足点。在这种情况下,创意工作的概念受到源自技术利益相关者和主流媒体的话语的影响。围绕创造力和艺术作品的叙事的框架不仅反映了对文化的特殊愿景,而且还积极地促进了它的构成。在本文中,我们回顾了在线媒体,并分析了AI对他们传达的创意工作的影响的主要叙述。我们发现,该话语促进了通过人工劳动实现其物质实现的创造力。通过自动化来实现该思想与其物质条件的分离,这是评估为生产时间减少生产时间的驱动力。以及在执行创作过程中通常需要的技能被视为使创造力民主化的一种手段。这种话语倾向于对应于主要的技术实证主义愿景,并主张对创造性经济和文化的权力。
本报告是作为美国政府机构赞助的工作的记录而编写的。美国政府及其任何机构或其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证,也不承担任何法律责任或义务,也不表示其使用不会侵犯私有权利。本文中以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文中表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。