元学习:异质人群因果推断的元学习
本研究提出了一个基于连续优化和神经网络的框架,以创建联合观测和干预数据模型的方法,能在不知情干预变量的情况下获得强大的基准结果,包括从合成图和来自 Bayesian Network Repository 的标准图中恢复结构。
Oct, 2019
本文中提出了一种利用元强化学习算法,通过学习干预变量的方法来进行因果发现并构建明确的因果图的方法,研究表明与现有最先进的方法相比表现出的结果更好,揭示了这种干预策略对于该方法性能的贡献。
Jul, 2022
本文提出了一种新的学习范式,即模拟-分析-减少,旨在模拟域漂移并减轻模型自适应过程中的域漂移,我们使用元因果学习方法来学习元知识,在测试期间使用元知识分析目标域和源域之间的偏移,并将因果推理纳入基于因素的域对齐中,实验证明了我们的方法在图像分类任务上的有效性。
Apr, 2023
我们提出了一种新颖的变分学习模型VLUCI,用于反事实推理中不可观测混淆因素的生成后验分布,通过解离可观测和不可观测混淆因素,VLUCI构建了一个双重变分推理模型,以近似不可观测混淆因素的分布,从而用于推断更准确的反事实结果。对合成和半合成数据集的广泛实验证明了VLUCI在推断不可观测混淆因素方面的卓越性能,它与先进的反事实推理模型兼容,在团体和个体层面显著提高推断准确性。此外,VLUCI为反事实结果提供置信区间,有助于风险敏感领域的决策。我们进一步阐明了在公开IHDP数据集上应用VLUCI时需要考虑的问题,突出了VLUCI的实际优势。
Aug, 2023
通过网络干预的主动学习方法,本论文旨在解决因果推断中潜在结果检验框架忽视个体干预以及假设独立处理效应的问题,提出了一种基于网络干预的主动学习方法以估计直接和溢出治疗效果,能够在复杂干预结构下具有高效和精确的效果估计能力。
Feb, 2024
本研究提出了一种用于处理异质数据的协作逆倾向得分加权估计器,在协作中调整分布转移,从而在异质性增加时显著提高性能,提出了一种联邦学习算法来在保持隐私的同时协作训练结果模型,并通过合成和真实数据集展示了方法的优势。
Apr, 2024
基于进化驱动的有向无回路图的马尔可夫属性,本文提出了一种针对横断面观测数据的通用因果推断框架(GCI),能准确识别关键混杂变量并提供相应的识别算法,从而有效改善观察研究中因果推断的精确性、稳定性和可解释性。
Apr, 2024
本研究解决了因果机器学习中从观察数据准确估计异质治疗效果的难题,尤其是当混杂因素嵌入文本时。通过合成数据实验,我们提出使用预训练文本表示的学习者在充分数据条件下能显著改善条件平均治疗效果(CATE)的估计。研究发现文本嵌入的复杂性限制了这些模型的表现,但同时也展现了其在因果推断中的潜力和未来研究的广阔空间。
Sep, 2024