Jun, 2018
基于矩阵分解的有噪和缺失协变量因果推断
Causal Inference with Noisy and Missing Covariates via Matrix Factorization
Nathan Kallus, Xiaojie Mao, Madeleine Udell
TL;DR该论文提出使用矩阵分解来从噪声协变量中推断混淆因素，减少测量噪声引起的偏差，展示了这个方法在合成数据和临床数据上的实验结果。
Abstract
Valid causal inference in observational studies often requires controlling
for confounders. However, in practice measurements of
发现论文，激发创造
因果潜在因子模型中的双重稳健推断
提出了一种在现代数据丰富的环境中估计未观察到的混杂影响下的平均处理效应的新框架，该框架具有大量的单位和结果。该提出的估计器具有双重鲁棒性，结合了结果填充、逆概率加权和用于矩阵补全的新型交叉拟合程序。我们推导出有限样本和渐近保证，并且证明新估计器的误差以参数速率收敛到均值为零的高斯分布。模拟结果显示本文分析的估计器的形式性质的实际相关性。
Feb, 2024
带噪声治疗和无附带信息可辨识的因果推断
本文提出了一种基于深层潜在变量模型和重要性加权变分目标的测量误差下因果推断的方法，使得即使没有测量误差方差和侧面信息，也可以得出可靠的因果效应估计。
Jun, 2023
贝叶斯最优矩阵分解中的相变和样本复杂度
使用统计力学工具分析了矩阵分解问题的可实现性和计算可处理性，在贝叶斯最优推断设置下计算任意计算时间内可能实现的最小均方误差和有效近似迭代推理算法可以达到的误差。
Feb, 2014
通过矩阵加权线性估计器从观测和干预数据中估计因果效应
本文探讨了在混杂线性回归模型和多元治疗中从混合的观测和干预数据中估计因果效应，并展示了通过结合来自观测和干预设置的估计器可以提高统计效率。
Jun, 2023
噪声矩阵补全的线性形式的统计推断
基于矩阵的噪声观测，我们构建了一个弹性框架以推断其线性形式，我们提出了一种构建渐近正常估计量的普遍过程，以进行双重样本去偏差和低秩投影，从而允许我们构建线性形式的置信区间并检验假说。
Aug, 2019
线性潜变量模型中受测量误差影响的因果推断
探讨线性系统中存在测量误差时的因果推断问题，在鉴定列的置换和缩放范围内确定混合矩阵的情况下，发现这个问题与存在未观察到的无父原因的因果推断问题之间有相当惊人的联系，并提出了因果结构学习方法并在合成数据上评估了它们的性能。
Nov, 2022
贝叶斯非负矩阵分解推断方法的比较研究
该研究考虑用贝叶斯矩阵分解法进行数据预测和模式发现，比较了不同推理方法在噪声和数据稀疏性下的收敛性和鲁棒性，并讨论了如何通过提出的贝叶斯自动相关性确定先验进行模型选择。
Jul, 2017