Oct, 2018

完美匹配：一种简单的神经网络反事实推断表示学习方法

PDF
TL;DR本研究提出了一种名为 Perfect Match 的方法，它基于近邻匹配来训练神经网络进行反事实推断，可用于处理多种治疗方案，具有易实现、不增加计算复杂度等特点，并在多个基准测试中显示出优异的性能。
发现论文，激发创造
  • 学习针对事实推断的表征

    本文提出了一个新的算法框架来回答反事实问题，其将领域适应和表示学习的思想结合起来，并通过实证比较表明，我们的深度学习算法显著优于以前的现有技术，可以用于处理各种领域的观察研究数据的因果推断问题。

    May, 2016

  • 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

  • 基于因果代理模型的概念模型解释

    本文旨在探讨对于自然语言处理系统的解释方法中存在的因果推理问题，提出了一个新的 Causal Proxy Model (CPM) 方法，它可以通过近似反事实样本来创建强大的因果解释模型，解释模型性能与黑盒模型类似甚至更好。

    Sep, 2022

  • 利用生成的 LLM 的反事实文本来解释黑盒 NLP 模型

    解释自然语言处理系统预测的因果解释对于确保安全性和建立信任至关重要，本文提出了两种针对模型无关性的倒因果估算方法，分别基于生成和匹配，并通过实验证明了生成模型和匹配模型在模型解释方面的出色性能。

    Oct, 2023

  • 机器学习分类器反事实解释中的因果约束保持

    通过使用结构性因果模型，生成可行的对抗样本对于解释人工智能模型在医疗和金融等关键领域的决策是至关重要的。本论文提出了一种生成适用于实际应用中的可行对抗样本的方法，并且通过实验证明了其效果。

    Dec, 2019

  • 表示插值的反事实对抗学习

    本文提出了一个基于因果关系的 Counterfactual Adversarial Training 框架（CAT），通过对单个样本生成对应的反事实表示，动态调整样本特有的损失权重，以此鼓励模型探索真实的因果关系，实现在句子分类、自然语言推理和问答等领域的显著性能提升。

    Sep, 2021

  • 基于和 - 积网络生成可能的反事实情况

    由于用户需求和最近的监管（GDPR，AI 法案），AI 系统的决策需要解释。这些决策通常只能进行事后解释，其中因果解释很受欢迎。关于什么构成最佳因果解释的问题必须考虑多个方面，其中 “样本距离” 是最常见的。我们认为，这一要求经常导致不太可能的解释，因此价值有限。在这里，我们提出了一个提供高可能性解释的系统。我们展示了符合多种常见因果解释期望的最可能解释的搜索可以用混合整数优化（MIO）进行建模。在这个过程中，我们提出了一个 Sum-Product Network（SPN）的 MIO 公式，并使用 SPN 估计因果关系的可能性，这可能独立引起兴趣。对比了几种生成因果解释的方法的数值比较。

    Jan, 2024

  • 利用倾向性丢弃的深度反事实网络

    本论文提出了一种新的方法，使用多任务学习模型和倾向性估计来推断干预的个性化因果效应，实验证明与现有方法相比具有更好的表现。

    Jun, 2017

  • 深度模型的一致对法推断

    本篇论文研究了深度网络下，机器学习模型一致性与反事实样本的关系，在权重初始化和数据保留等初步训练条件发生微小变化时，提出了通过稳定邻近搜索算法来生成更一致解释的反事实样本的方法，并证明了该方法在多个基准数据集上具有有效性。

    Oct, 2021

  • 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