WSDMJun, 2019

从网络观测数据中学习个体因果效应

PDF
TL;DR本研究提出了一种新的因果推断框架 —— 网络去混淆器 (Network Deconfounder)，它利用网络信息来辨识隐藏式混淆者的模式，从而进一步允许我们从观测到的数据中学习有效的单个因果效应。
causal effectsobservational dataconfounding biasnetwork informationcausal inference
发现论文，激发创造
  • 持续因果效应估计：挑战与机遇

    在大数据时代，处于生态经济学、医疗保健、网络挖掘、在线广告和市场营销等多个领域的观测数据的因果关系进一步的理解异常重要。然而目前现有的因果效果评估方法主要集中在源特定和固定的观测数据上，缺乏对数据连续性、领域适配性以及海量数据的易用性等问题的持续性研究，而这些问题非常普遍。本论文定义了持续性治疗效果的评估问题，并提出了问题的研究难点和可能的解决方案。最后，我们还讨论了未来该领域的研究方向。

    Jan, 2023

  • 通过实验基础消除隐蔽混杂因素

    本研究介绍了一种新方法，使用实验数据来纠正更大的观测数据的因果效应模型中的隐藏混淆，证明了该方法的可行性，并使用一项大型教育实验中的真实数据证明了该方法的有效性。

    Oct, 2018

  • 使用深度潜变量模型推断因果关系效应

    利用潜在变量建模来解决处理混淆因素以从观测数据中获取个体级因果关系的问题，该方法基于变分自编码器，效果显著优于现有方法且可达到同类方法的最佳水平。

    May, 2017

  • 基于网络观测数据的治疗分配函数的反事实评估

    在大数据时代，随机对照试验通常耗时费力且不道德，针对这一问题，研究人员提出了一种新的治疗分配函数反事实评估方法 - 带网络信息的反事实评估，提高了治疗效果评估结果的可信度。

    Dec, 2019

  • 将实验数据和观察数据相结合估计治疗对长期结果的影响

    本文提出了一种方法，将观测数据和实验数据相结合，通过控制函数方法进行因果效应的估计，以解决可能存在未观测混淆变量的问题。该方法应用于课堂规模和第三年级考试成绩的数据，结论表明，课堂规模对学生学业成就有显著影响。

    Jun, 2020

  • 社交网络数据的因果推断

    本文探讨了使用单个社交网络的观测数据进行因果效应的半参数估计和推断。在考虑样本大小增加时每个观测值对越来越多其他单位的依赖的同时，允许信息通过网络联系传输和节点共享网络联系的潜在相似性两种可能的依赖关系。提出了在社交网络环境下特别感兴趣的新的因果效应，如对网络联系和网络结构的干预，并用这种方法重新分析了使用 Framingham Heart Study 社交网络数据估计肥胖症因果同伴效应的一个具有影响力和争议的研究；在考虑网络结构后，我们没有发现因果同伴效应的证据。

    May, 2017

  • 利用连续解混进行因果推断及处理未观测到的混淆因素

    本文介绍了一种新的去混杂方法：顺序去混杂 (SD)，解决了存在未观察到的混杂因子情况下， 序列化医疗决策难题，并证明了该方法可以准确估计单个个体在时间上的治疗反应。

    Apr, 2021

  • 基于观察型医疗数据的可迁移因果网络模型

    基于人工智能技术的预测模型在医疗保健领域得到广泛应用。本文提出了一种新方法，将选择图、缺失图、因果发现和先前知识结合成一个图形模型，用于评估乳腺癌幸存者的青少年女性的心血管风险。该模型通过专家临床医生的验证，在风险评估、准确性和可解释性方面胜过竞争的机器学习方法。

    Nov, 2023

  • 因果推断综述

    本文综述了在潜在结果框架下，针对观察数据的因果推断方法。这些方法分为两类，包括传统的统计学方法和最新的机器学习方法，还介绍了这些方法在广告、推荐、医学等领域的应用以及常用的基准数据集和开源代码。

    Feb, 2020

  • 因果推断、社交网络、链图

    本文介绍并验证了一种关于干预和传染网络数据的简洁参数化方法（所谓链图模型），通过使用美国最高法院在 1994 年至 2004 年之间的案例数据和模拟数据对社交网络中的集体决策进行因果推断。

    Dec, 2018