Aug, 2018

神经网络估计因果效应的迁移学习

PDF
TL;DR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。
发现论文，激发创造
  • 深度学习用于因果推断：异质处理效应估计体系结构的比较

    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

  • 图神经网络用于治疗效果预测

    使用图神经网络结合节点回归和消息传递机制，结合收集训练数据的策略，在大规模电子商务数据中实现对有限标记样本的因果效应估计。

    Mar, 2024

  • 具有因果关系图约束的神经网络：一种新的治疗效应估计方法

    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

  • 基于数据驱动的异质性治疗效应估计

    本文综述了数据驱动方法在异质性治疗效应估计上的应用，分为基于反事实预测和直接估计因果效应的方法，还有从数据中学习模型结构的结构因果模型方法，并在不同结构模型机制下进行了实证评估。

    Jan, 2023

  • 神经网络模型集成最近邻方法进行治疗效应估计

    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

  • 深度学习用于因果推断

    本研究提出一种基于深度学习的经济计量学技术，特别是针对因果推断和估计个体和平均处理效果。具体而言，我们分析了使用自编码器进行降维的广义邻居匹配用于估计个体处理效果和平均处理效果，并将深度神经网络应用于倾向得分匹配以提高性能。

    Mar, 2018

  • 基于图神经网络的双机器学习估计网络因果效应

    我们的研究论文利用图神经网络和双机器学习的新方法，结合社交网络，有效地推断出因果效应，并证明该估计器在因果效应估计中具有良好的性能。

    Mar, 2024

  • 一种自适应核方法用于异构因果效应联邦学习

    提出了一个新的因果推断框架，用于在联邦设置中从多个分散的数据源中学习因果效应。通过使用随机傅里叶特征将损失函数分解为多个组件，介绍了一种自适应传输算法，学习数据源之间的相似性，并且估计源之间的相似度通过传输系数，因此无需先前的相似性量度信息，可在源之间独立且系统地整合异质性的因果效应，并提供最小最大下限来评估从不同数据源学习的参数的质量。在分布不同的分散数据源上，该方法实际上比基线方法表现更好。同时不会共享原始的训练数据，从而最小化隐私泄露风险。

    Jan, 2023

  • 神经网络估计治疗效果的适应

    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

  • 神经网络中因果归因学习：超越直接影响

    本文研究了神经网络中因果关系的估计及维护，提出了一种有效的方法来捕获和维护直接和间接的因果关系，并在高维数据中量化因果属性。通过实验验证此方法学习的因果属性能够接近于真实效果。

    Mar, 2023