Dec, 2013

决定实验结果可迁移性的通用算法

PDF
TL;DR本文总结了 Pearl 和 Bareinboim 的研究成果，提供了一种有效的程序，决定何时以及如何进行信息迁移，并建立了一种必要且充分的条件，用于决定目标人群中的因果效应是否可估计。同时提供了一种计算传输公式的完整算法，以综合偏差自由估计所需的因果关系。最后，本文还探讨了传递性与其他形式的泛化之间的差异。
generalizabilitytransportabilitycausal effectsobservational studiesexperimental studies
发现论文，激发创造
  • 外部有效性：从 Do-Calculus 到群体间可转移性

    本文介绍了一种正式的表述方式 —— 选择图，用于表达有关感兴趣人群之间的差异和共性的知识，并利用这种表述来将可转移性问题归约为 do-calculus 中的符号推导。

    Mar, 2015

  • 泛化性和搬移性综述

    本文提出了一个框架来解决外部有效性偏差，包括针对泛化性和可迁移性的方法综合，它们所需的假设以及对治疗效应异质性和研究与目标人群之间差异的测试。

    Feb, 2021

  • 实验研究的普遍适用性

    本文提出了实验研究的数学形式化方法，并发展了一个可量化的泛化概念，旨在探索现有研究的泛化性，并估计实现新研究泛化性所需的实验数量，为此我们应用两个最近发表的基准测试来区分可泛化和不可泛化的结果，并发布了一个 Python 模块，可以用于其他实验研究的分析。

    Jun, 2024

  • 朝着从试验到目标人群的推广的推理

    本研究论文通过多学科研讨会的讨论，并整合各领域的方法，回顾了随机对照试验、外部有效性、泛化性和可转移性的现有研究，同时提出了未来研究的方向，旨在增强对因果效应的泛化性和可转移性的集体理解，促进跨学科合作并为改进和应用因果推断方法的研究人员提供有价值的见解。

    Feb, 2024

  • 基于预测的因果推断的普适化

    给定一个随机对照试验，从中推理因果关系可能与一些效应修饰因子不同分布的目标人群无关。我们利用一个附加的观察研究学习到的预测模型，无需对该研究做任何假设来补充试验数据，提出了能够更好地推广试验结果的算法，并以理论和实证的方式展示了当观察研究是高质量时，我们的方法能够更好地推广，即使存在未测的混杂变量等情况仍能保持稳健。

    Jun, 2024

  • 动态因果网络中的可辨识性与可转移性

    本文提出了动态因果网络，包括网络的识别算法、混淆变量的特征、因果效应的传输以及在不同因果网络中对因果效应的计算。

    Oct, 2016

  • 运用最优输运理论获得公平性

    本文首先介绍了统计算法在决策中的应用，提出了公平性的概念，进而研究了不同的公平性定义。特别地，文中重点研究了不平等影响和平衡误差率这两个概念，并探讨了它们之间的关系。其目的在于检测二分类规则是否缺乏公平性，同时修改输入数据以应对潜在的歧视问题。针对后者，本文利用最优传输理论对数据进行修改。

    Jun, 2018

  • 领域泛化中的可迁移性量化和提升

    本研究通过定义和计算可量化的可迁移性来研究这种特征，在领域泛化中，我们将其与诸如总变化和 Wasserstein 距离之类的区别和联系，发现现有算法中很少具有可迁移性，随后提出了一种新的算法，以测试各种基准数据集，并在其中实现了持续的改进。

    Jun, 2021

  • 基于测度传输的密度估计：在生物科学中的应用展望

    利用测度传输方法和三角形传输图来支持生物科学研究，在数据稀缺的情况下，通过计算稀疏自适应的传输图，发现这种方法有助于揭示辐射生物学中基因关系和辐射暴露下基因动态的隐藏信息。

    Sep, 2023

  • 可配置系统性能建模的迁移学习：因果分析

    通过因果分析，本文章调查了高度可配置系统中因果效应和统计关系的可识别性和可传移性，并证实了因果效应可以高度可信度地在不同环境中传递。

    Feb, 2019