反事实分布的推断
该论文旨在通过使用神经网络将反事实推理重新构建为扩展的分位数回归问题,依据已学习的定性因果结构和观测数据进行可靠的反事实推理,而不需要给定因果模型甚至直接估计条件分布,并且该方法比现有方法在统计上更有效,同时也有可能将所估计的反事实结果的泛化能力扩展到看不见的数据,并提供泛化误差的上限界限。实验结果在多个数据集上强烈支持我们的理论 claims。
Jun, 2023
我们提出了一种方法,通过利用原始高维空间的鲁棒一维潜在子空间,并利用在该空间上的单变量因果模型的高效估计,同时减轻了多变量因果模型中存在的问题,从而捕捉了相关结构并产生了反事实分布的良好估计。
Nov, 2023
通过采用贝叶斯层级模型来建模不确定性,本文解决了连续设置中对反事实分布的模棱两可性问题,特别是在贝叶斯变形高斯过程中,允许非高斯分布和非加法噪声,成功应用于一个合成和半合成的案例,并展示了在算法补救下游任务中的性能。
Sep, 2023
本文提出一个新的概率模型,用于计算模型的多个对抗性解释。该模型可以共享群体分组的信息,并保留领域特定的约束条件,同时评估不确定性,并得出合理、稀疏、多样和可行的结果。
Jan, 2023
介绍了针对政策评估的反事实和合成控制方法的新推断过程。将因果推理问题重新表述为反事实预测和结构性断裂检验问题,并开发置换推断过程以适应现代高维度估计器,能在弱和易验证的条件下有效地进行,并证明了对错误说明的稳健性。本方法可以与许多不同的方法结合使用,用于在没有政策干预的情况下预测反事实均值结果。我们的方法在模拟中表现出优秀的小样本性能,并进行数据应用,重新评估取消室内卖淫的后果。
Dec, 2017
本研究提出了一种基于条件分布模型(如分位数和分布回归)构建有条件有效的预测区间的健壮方法,可以应用于横截面预测、k 步预测、合成控制和反事实预测、个体治疗效果预测等重要预测问题。
Sep, 2019
本文提出了一种基于条件生成建模的方法,旨在捕捉整个反事实分布,使其特别适用于医疗保健和公共政策制定。通过边际结构模型来解决观察数据和目标反事实分布之间的分布不匹配问题,该方法在合成和真实数据上优于现有方法。
May, 2023
本篇研究提出了一种基于符合性推断的方法,用于在潜在结果框架下产生反事实和个体治疗效果的可靠区间估计,适用于完全随机或分层随机试验,以及遵循强忽略性假设的一般观测研究。同时,该方法在机器学习算法的条件平均治疗效应估计上表现出了良好的优势。
Jun, 2020
本文介绍了一种基于 CounterFactual Query Prediction(CFQP)方法的结构方程模型来推断因果关系以及深度学习的应用,使用这种方法能够可靠地预测反事实因果关系。
Oct, 2022