本研究提出了一个基于连续优化和神经网络的框架,以创建联合观测和干预数据模型的方法,能在不知情干预变量的情况下获得强大的基准结果,包括从合成图和来自 Bayesian Network Repository 的标准图中恢复结构。
Oct, 2019
本研究提出了一种利用线性时不变动力系统和高斯过程,能够弥补观察数据中剂量级别变化以及不定期观测的不足的方法,能够更加准确地进行多变量数据的建模和预测。
Apr, 2017
本文提出了一种新的方法来优化二分类或连续处理的细微变化,该方法可以利用观测数据,其中因果效应使用各种策略(包括可观察的选择和仪器变量)进行识别,并建立了一种针对选择谁进行治疗的算法,并确定了其产生的政策渐近效用后悔的强有力保证。
Feb, 2017
本文通过控制实验方法和观察性数据建立了最优决策的理论模型,并利用域对抗神经网络的方法进行决策选择,从而在处理缺失反事实和选择偏差方面取得了较好的效果。
Feb, 2018
本文通过机器学习方法和神经网络构建一个新的潜在结果框架,通过表现指标、模型选择标准、模型架构和基准实验估算个体剂量反应曲线,确定在估算个体剂量反应方面的最新技术水平。
Feb, 2019
本文介绍一种方法,通过数据整合和建立结构性因果模型,在不同条件下解决由选择偏差引起的局部统计问题,并针对数据集的部分可识别性问题提出了一种逼近计算方法。通过系统的实验验证和实例研究,证明了这种方法的可行性和准确性,并揭示了数据整合对于信息界的提高具有积极的作用。
Dec, 2022
本文提出了一种方法,将观测数据和实验数据相结合,通过控制函数方法进行因果效应的估计,以解决可能存在未观测混淆变量的问题。该方法应用于课堂规模和第三年级考试成绩的数据,结论表明,课堂规模对学生学业成就有显著影响。
Jun, 2020
本研究提出了一种利用干预演算法来推测协变量对响应参数的因果效应的算法,并运用这个方法去确定变量的重要性。
Oct, 2008
在大数据时代,处于生态经济学、医疗保健、网络挖掘、在线广告和市场营销等多个领域的观测数据的因果关系进一步的理解异常重要。然而目前现有的因果效果评估方法主要集中在源特定和固定的观测数据上,缺乏对数据连续性、领域适配性以及海量数据的易用性等问题的持续性研究,而这些问题非常普遍。本论文定义了持续性治疗效果的评估问题,并提出了问题的研究难点和可能的解决方案。最后,我们还讨论了未来该领域的研究方向。
Jan, 2023
使用贝叶斯非参数方法来建立个体化治疗反应曲线,从而提升个性化决策的精度,该方法使用观测时间序列,并结合 G - 计算公式对连续响应进行估计。
Aug, 2016