Dec, 2019

基于网络观测数据的治疗分配函数的反事实评估

PDF
TL;DR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。
counterfactual evaluationtreatment assignment functionsnetwork informationobservational datahidden confounders
发现论文，激发创造
  • 从网络观测数据中学习个体因果效应

    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。

    Jun, 2019

  • 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

  • 从观测、偏见和随机数据学习界定反事实推断

    本文介绍一种方法，通过数据整合和建立结构性因果模型，在不同条件下解决由选择偏差引起的局部统计问题，并针对数据集的部分可识别性问题提出了一种逼近计算方法。通过系统的实验验证和实例研究，证明了这种方法的可行性和准确性，并揭示了数据整合对于信息界的提高具有积极的作用。

    Dec, 2022

  • 推荐系统的对抗性反事实学习和评估

    本论文提出了一种基于极小值 - 最大值经验风险的新型推荐算法，该算法使用属于敌对领域的候选模型对反驳所述推荐模型中的潜在暴露机制的对手进行了建模，并使用模拟研究验证了此方法在推荐设置的不同方面的优越性。

    Nov, 2020

  • 隐藏混淆下的共形反事实推断

    个性化决策需要对不同处理方法下的潜在结果有所了解，并且关于潜在结果的置信区间能够丰富决策过程并提高其在高风险场景下的可靠性。本研究提出了一种基于推断加权拟合预测的新方法 wTCP-DR，他能够在存在隐性混淆的情况下提供对反事实结果的置信区间，并具备边际收敛保证。通过访问部分干预数据，我们的方法能够解决观测分布和干预分布之间的协变量转移问题。理论结果明确表明了我们的算法相对于只使用干预数据的朴素方法的条件优势。在确保反事实置信区间有效之后，构造个别处理效应的区间是直接的。我们通过合成数据和真实世界数据验证了我们的方法的优越性，其中包括推荐系统，并与现有最先进方法进行了比较，结果在覆盖率和效率两方面都表现出优势。

    May, 2024

  • 通过对抗平衡表示估算随时间变化的因果治疗结果

    介绍了一种新的序列到序列模型 —— 对立逆向网络，该模型利用患者日常观察数据，通过对领域敌对训练来处理时间变化混杂物的偏见，以可靠地作出反事实预测。在肿瘤生长的模拟模型中，比目前最先进的方法在估计反事实和选择正确的治疗和治疗时间方面实现了更低的误差。

    Feb, 2020

  • 融合观察、偏差和随机数据源的近似反事实界限

    通过数据集成、反事实计算和因果推断方法，我们的研究对于解决具有选择偏差的数据集以及多个数据集之间的整合问题提出了有效的解决方案。

    Jul, 2023

  • 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

  • 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

  • 反事实上界的高效计算

    本文介绍了从结构因果模型获得置信网，通过 Credal 网络算法计算精确的反事实边界，提出了一种因果 EM 方案实现近似边界，评估了其精确度并通过关于姑息治疗的真实案例阐述了其实际应用。

    Jul, 2023