通过比较干预分布评估因果模型
我们提出了一种基于嵌入干预分布的连续测量度量,用于衡量真实因果图与学习到的因果图之间的差异,该度量考虑了图结构之外的底层数据,通过最大(条件)均值差异来估计它们的差距。我们在合成数据上进行数值实验证实了我们的理论结果。
Jul, 2023
本文提出了结构干预距离(SID)作为有向无环图(DAG)之间差别的一种度量方法,并与流行的结构汉明距离(SHD)相比较。该度量方法适用于计算干预的图形,并且可以比较部分完成的有向无环图(CPDAGs)的马尔可夫等价类。
Jun, 2013
这篇研究论文介绍了一种新的方法,即干预 Kullback-Leibler(IKL)离散度,来量化因果模型之间的结构和分布差异,以提高在动态环境下的智能代理的转移知识能力。
Feb, 2023
研究对于在测试和训练分布不同时的结构因果模型中预测响应变量和协变量之间关系的问题,提出了基于因果回归模型和最小化最坏风险的方法,并且介绍了一个配合数据实现最小化风险的框架和方法 NILE。
Jun, 2020
我们开发了一种解释性的分布数据分析方法 ADD MALTS,通过匹配和伸缩学习来确保可信和稳健的决策。我们通过模拟演示 ADD MALTS 在估计治疗效果方面的优越性,并且通过研究连续葡萄糖监测仪在缓解糖尿病风险方面的有效性,展示了 ADD MALTS 的实用性。
Dec, 2023
本文介绍了一系列干预措施,以帮助代理人在不同抽象水平之间进行权衡,探究其中信息的一致性和损失,并提出了用于评估和学习因果抽象的算法。最后,我们通过实证表明了不同措施和算法选择可能导致不同的抽象。
May, 2023
本研究旨在理解和评估用于科学中生成模型的统计距离,包括 Sliced-Wasserstein、Classifier Two-Sample Tests、Maximum Mean Discrepancy 等方法。通过评估决策模型和生成医学图像模型,展示了这些不同距离对相似数据的不同结果。
Mar, 2024