Feb, 2018

因果推断分析性能评估基准框架

PDF
TL;DR本文介绍了一个综合框架，用于对评估算法进行基准测试，它包括用于预测的未标记数据、用于验证的标记数据以及使用已建立和新颖指标进行算法预测的自动评估的代码，并解决了缩放和数据屏蔽问题。
发现论文，激发创造
  • 因果推断综述

    本文综述了在潜在结果框架下，针对观察数据的因果推断方法。这些方法分为两类，包括传统的统计学方法和最新的机器学习方法，还介绍了这些方法在广告、推荐、医学等领域的应用以及常用的基准数据集和开源代码。

    Feb, 2020

  • RealCause: 真实因果推断基准测试

    该研究论文使用灵活的生成模型提供基准，既可以提供因果效应的真实值，又可以代表真实数据，评估了 1500 多种不同的因果效应估计器，并提供证据表明使用预测指标选择因果效应估计器的超参数是合理的。

    Nov, 2020

  • 因果学习算法的评估方法和度量

    这篇综述文章介绍了以因果推断为基础的机器学习，阐述了该领域的研究重点、难点和局限，并提出了应对策略，旨在推动因果学习算法的发展和应用。

    Feb, 2022

  • 更多的数据是你所需要的一切吗？一个因果探索

    本文探讨了应用因果分析作为资源优化工具来开发医学成像机器学习应用的潜力。通过对合成数据集和糖尿病视网膜病变图像分析的实例研究，研究了数据集干预对图像分类模型输出的影响，以及需要在数据集中加入的数据量和类型以实现特定子任务的更好性能。

    Jun, 2022

  • OpportunityFinder：一个自动因果推断框架

    OpportunityFinder 是一个面向非专业用户的无代码框架，用于进行多种带面板数据的因果推断研究。它提供易于使用的界面、多种算法的抽象接口、支持二进制治疗带面板数据的因果影响分析以及基于数据规模的动态算法选择。

    Sep, 2023

  • 基于仿真的推断基准测试

    通过建立合适的性能度量标准的基准，我们评估了一些最新的利用神经网络和经典近似贝叶斯计算方法的方法，发现性能度量的选择关键，即使是最先进的算法也有很大的改进空间，顺序估计提高了样本效率，神经网络方法通常表现更好，但没有均匀的最佳算法。

    Jan, 2021

  • 利用不确定性感知模型识别因果推断失败

    在高维数据领域，我们提出了一种将不确定性估计融入到个体层面因果估计中的实用方法，这种方法能够优雅地处理 “没有重叠” 的情况，并在实际应用中处理协变量转移，既能避免过度自信，又可在预测不可信时提醒决策者，在处理方面超越其不关注不确定性的对应物。

    Jul, 2020

  • Synth-Validation: 为给定数据集选择最佳因果推断方法

    本文提出了 synth-validation 方法，并使用它来估计在治疗效果研究中各种因果推断方法的估算错误，结果表明 synth-validation 方法能够降低预期的估计误差。

    Oct, 2017

  • 使用干预措施和实证数据评估因果模型的论证

    本论文阐述因果推断对人工智能的重要性，分析了现有的评估技术和存在的局限，并提出采用干预措施和实际数据进行评估的方法，探讨了其可行性和优越性。

    Oct, 2019

  • 假设干预下的临床结果预测 —— 用表示学习框架进行反事实推理

    本研究提出了一种新的表示学习框架 - 部分概念瓶颈，该框架将反事实解释作为风险模型的嵌入式属性，有助于研究人员和临床医生改进个性化护理，探索干预的假设性差异效应。

    May, 2022