我们的研究将因果估计推广到具有任意个维度或可测空间的结果,将传统的因果估计用于名义变量作为因果差异检验,提出了一种简单的方法来调整普遍一致的条件独立性检验,并证明这些检验是普遍一致的因果差异检验。数值实验证明,我们的方法 Causal CDcorr 与现有策略相比,在有限样本的有效性和功效方面都有所改进。我们的方法都是开源的,可以在 github.com/ebridge2/cdcorr 获取。
Jul, 2023
本研究使用核均值嵌入分类将因果推断作为问题,从数据中直接学习因果推理,并在合成和实际数据上验证了方法的性能,赢得了 ChaLearn’s “Fast Causation Coefficient Challenge” 的 the fastest code prize,并排名第三.
Sep, 2014
通过概率分布和因果关系特征,提出了一种计算效率高的因果结构学习方法,并在合成和真实数据集上进行了验证。
Nov, 2022
本文将原始因果概率(PoC)的概念从标量二元变量扩展到连续处理和结果变量,并进一步推广 PoC 来捕获多个处理和多个结果之间的因果效应。此外,我们考虑针对子群体的 PoC 以及包含多重假设条件的 PoC,以捕捉决策中更复杂的反事实信息。我们为介绍的每一类 PoC 提供了非参数识别定理。最后,我们通过一个关于教育的真实数据集来说明我们结果的应用。
May, 2024
该研究提出了一种基于条件独立的系数唯一性测量方法,与经典的部分 R2 统计量相关。根据这一系数唯一性测量方法,他们构建了一个无调参算法:Feature Ordering by Conditional Independence (FOCI),用于变量选择,该算法在稀疏假设下可被证明是一致的,并赋予其与回归模型和非线性模型的关联。
Oct, 2019
我们引入了一种新的低方差评估因果误差的估计方法,称为 pairs estimator。通过将同样的 IPW 估计器应用于模型和真实实验效果,我们的估计器有效地消除了由于 IPW 引起的方差,并实现了较小的渐近方差。经验证明,我们的估计器的性能得到了改进,几乎能达到 RCT 的性能水平。我们的方法提供了一种简单而强大的解决方案,用于在条件随机化设置中评估因果推断模型,无需对 IPW 估计器本身进行复杂修改,为更健壮可靠的模型评估铺平了道路。
Nov, 2023
在这篇论文中,我们提出了一种新的方法来使用基于方差的度量标准来量化分类问题中的不确定性,能够对类别级别的不确定性进行推理,该方法在需要细致决策的情况下非常有用。除了这种公理方法,我们还提供了实证结果,表明这种度量标准在有效性和竞争性上与常用的基于熵的度量标准相当。
Dec, 2023
本文提出了一种基于纯观测数据的全非参数因果推断方法 ——Kernel Conditional Deviance for Causal Inference(KCDC),用于发现一组变量之间的因果结构,并在合成数据集和真实世界时间序列数据以及 Tubingen Cause-Effect Pairs 真实世界基准数据集上的测试中取得了超越现有最先进方法的成果。
Apr, 2018
通过在离散或连续随机变量之间预测因变量来区分因果关系,我们提出了多个简单快速的标准,以检验因果关系,适用于广泛的因果机制和数据噪声类型。
Oct, 2020
本文研究了有向图表示的因果假设和以概率分布形式给出的统计知识对行为影响的阐明。在特定的情况下,我们感兴趣的是预测在一组变量上执行操作并随后对另一组变量进行测量所产生的条件分布。我们提供了一种必要且充分的图形条件,可用于唯一计算出这些分布的情况,同时还提供了一种算法。此外,我们使用我们的结果证明了对于相同的识别问题,do-calculus [Pearl, 1995] 是完备的。
Jun, 2012