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
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
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
本文提出了一种自适应方法,称为神经符号治疗效果估计器(NESTER),它是一种治疗效果估计的广义方法,可以将所有期望的治疗效果估计要素集到一个框架中。NESTER 基于文献中使用的归纳偏差,设计了一个专用语言(DSL)进行治疗效果估计。我们的理论研究表明,NESTER 在治疗效果估计任务中的能力更好,并且在不影响运行时间要求的情况下,优于最先进的方法。
Nov, 2022
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
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
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
本文提出了一个新颖的变系数神经网络,可以更好地描述接受连续剂量处理时的平均剂量 - 反应曲线;并且,我们将有针对性的正则化推广到更为复杂的情况,得到对整个剂量 - 反应曲线的双重稳健估计。
Mar, 2021
近年来,由于计算能力的提高和灵活性的增强,模拟模型在经济学中变得越来越普遍。本文提出了一种使用深度神经网络构建类似于似然函数的近似方法以进行贝叶斯估计的方法,用于解决传统频率学派估计方法难以解决的问题,并对其进行了检验。总的来说,我们发现我们提出的方法在金融异质代理模型的估计以及模型中变化动力学的识别等多种情境下,能够持续地获得更准确的估计结果。
Jun, 2019
通过自适应选取深度神经网络组件或网络进行评估,可以在不损失准确性的情况下,显著减少计算时间,例如在 ImageNet 图像识别挑战中,最多可加速 2.8 倍,并且仅有最高 5 个命中率的轻微损失。
Feb, 2017