Dec, 2019

降低选择偏差在反事实推理中的应用 —— 个体治疗效果估计

PDF
TL;DR本文提出了一种新方法来解决选择偏差的问题 —— 通过学习两组潜在的随机变量，一组对应导致选择偏差的变量，另一组对于预测结果非常重要，进而通过 Pearson 相关系数去降低它们的关联度，从而得以显式地减轻选择偏差。实验结果表明，该算法能够取得最先进的性能，并提高其没有显式建模选择偏差的对应算法的结果。
counterfactual reasoningselection biaslatent variablespearson correlation coefficienttreatment effects
发现论文，激发创造
  • 公平临床风险预测的反事实推理

    本文使用机器学习系统支持决策制定在医疗保健中的问答涉及使用电子医疗记录中的观察性数据中隐含的偏见，进而进一步发展了组公平性标准，以在个体层面上扩展增益计数事实公正标准，探讨扩增的标准是否可以应用于使用观测性电子健康记录数据的病人长住和死亡的公平模型的开发。通过一个假设因果图的变分自动编码器来执行反事实推理，提供了一种在学习生成模型的背景下，在公平维护与预测性能下降之间权衡的方法。

    Jul, 2019

  • 带有截尾时间事件的反事实表型学

    本文提出了一种潜变量方法，用于模拟异质性治疗效果，并演示其在多个大型随机对照试验中发现个体可操作表型的能力。

    Feb, 2022

  • 变分因果推断

    提出了一种基于深度变分贝叶斯框架的新方法，利用个体特征和与受试者类似的人对处理结果分布的信息来估计个体在反事实处理下的结果。

    Sep, 2022

  • 时间变化治疗的反事实生成模型

    本文提出了一种基于条件生成建模的方法，旨在捕捉整个反事实分布，使其特别适用于医疗保健和公共政策制定。通过边际结构模型来解决观察数据和目标反事实分布之间的分布不匹配问题，该方法在合成和真实数据上优于现有方法。

    May, 2023

  • 贝叶斯分层模型用于反事实估计

    本文提出一个新的概率模型，用于计算模型的多个对抗性解释。该模型可以共享群体分组的信息，并保留领域特定的约束条件，同时评估不确定性，并得出合理、稀疏、多样和可行的结果。

    Jan, 2023

  • 选择性混杂下的反事实预测

    探讨了当不知道所有混淆变量时，如何从二元治疗和其导致的结果之间进行可解释的因果推断；提出了使用双重处理样本的方法来应对选择性混淆，并通过理论误差边界和实证证据来验证方案的有效性，针对儿童安置场景引入了三种评估方法。

    Oct, 2023

  • 因果制约的解耦表示学习在反事实公平中的应用

    本文研究了公平表示学习的问题，通过使用结构表示，可以实现反事实公平性，提出了 Counterfactual Fairness Variational AutoEncoder（CF-VAE）方法，得到了优于基准公平方法的公平性和精度表现。

    Aug, 2022

  • 半监督反事实解释

    通过引入自编码器重建损失，将分类器输出结果与自编码器的潜空间相连接，从而提高干预解释搜索过程的速度和解释干预结果的可解释性，尤其在自编码器以半监督方式训练的情况下进一步提高了其解释性。在多个数据集上的实验验证了该方法的有效性。

    Mar, 2023

  • 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

  • 关于向量自回归模型中的反事实干预

    我们介绍了向量自回归（VAR）过程中反事实推理的问题，并将因果模型的推断形式化为联合回归任务，使用有和无干预的数据来进行推断。在学习模型之后，我们利用 VAR 模型的线性性质对反事实干预的效果进行精确预测，同时量化了过去反事实干预的总因果效应。该项目的源代码可以在此网址免费获取。

    Jun, 2024