深度学习用于因果推断
本文研究了神经网络在处理观测数据中的治疗效果估计方面的应用,提出了一个新的 Dragonnet 神经网络架构和一个有针对性的正则化程序,这些方法在基准数据集上的研究表明,优于现有的方法。
Jun, 2019
本文提出使用传输学习算法和因果推断理论相结合的方法来估算异质性治疗效应,并在大规模选民说服实验和 MNIST 数据库上进行了模拟研究,结果表明该方法能够以更好的性能和更少的数据使用量超越现有的基准算法。
Aug, 2018
通过开发一个全连接的神经网络,实现了 Bayesian Causal Forest 算法的神经网络因果推断架构,并将该方法应用于研究应激对睡眠的影响,展示了在模拟环境中性能的提升。
May, 2024
该研究将机器遗忘技术应用于因果推断,提出了一种基于神经网络的倾向分数模型的机器遗忘方法,通过选择性地删除实例和匹配的实例对,评估重新训练的模型并消除不需要的关联,实验结果表明机器遗忘方法的有效性,并通过倾向分数的分布和直方图分析展示无关联数据对数据的影响。
Aug, 2023
本文介绍了使用倾向得分法估算二元治疗的因果效应,探讨了一些减少治疗和对照组之间初始协变量偏差的方法,并针对多种分类治疗方法提出了可能的匹配技术,利用模拟演示了如何提高匹配集合中协变量的相似度。
Jan, 2017
本文提出一种名为 NNCI 的新方法,旨在在神经网络模型中引入有价值的最近邻信息,以改善观测数据下的治疗效果估计,实验结果验证了该方法的有效性。
May, 2023
近年来,对使用机器学习技术估计治疗效果的兴趣逐渐增长。本文讨论和分类了这些模型的算法归纳偏差,并提出了一种考虑因果图中的附加信息的新模型 NN-CGC,通过对模型实施新的约束,解决了来自虚假变量相互作用造成的偏差,并且可以与其他表征学习方法集成。我们使用三种不同的基础模型对我们的方法进行有效性测试,结果表明,我们的模型约束带来了显著的改进,在治疗效果估计方面取得了最新的全球领先成果。我们还展示了我们的方法对不完整因果图的鲁棒性,并且使用部分因果信息要优于忽略它。
Apr, 2024