ICMLApr, 2020

缺失数据的图模型中完全法律鉴定结果

PDF
TL;DR本文提供了有关缺失数据如何影响各个领域（如医疗保健，经济学和社会科学）中所进行的分析的方法，同时介绍了一种通过概率分布来因式分解目标分布和其缺失过程的无偏推断方法，以及一些特定图形条件和证明的完整性。同时，还扩展了这些图形条件和完整性证明的设置，以解决由缺失数据和未测量混淆引起的问题。
missing dataunbiased inferenceprobability distributiondirected acyclic graphidentifiability
发现论文，激发创造
  • 处理缺失数据的图模型

    本文从透明度、可估计性和可测试性的三个方面，评估了传统框架的限制，并展示了如何通过基于图形模型的方法来克服这些限制并在包括 MNAR 在内的广泛缺失数据问题中提供有意义的性能保证。同时，提出了在 MAR 和 MNAR 类别中对缺失数据模型进行可测试的推论。

    Jan, 2018

  • 多中心临床研究中的缺失数据因果发现

    本研究使用多中心子宫内膜癌的数据分析不同缺失机制对因果图的影响，通过扩展最先进的因果发现算法来利用专家知识，验证得到的图形的良好拟合度和一致性。

    May, 2023

  • 算法公平中建模数据缺失的重要性：因果视角

    本文使用因果图的方法，研究了机器学习中缺失数据的情况对公平性算法的影响，提出了一个算法可在多阶段决策中实现分散决策的同时保持性能相似。

    Dec, 2020

  • 缺失数据情况下的因果发现

    本文提出了 MVPC 算法，可用于发现具有不同缺失机制的观察数据中的基础因果结构，其缺失机制由失踪图表示，并提出了附加的纠正操作，以推导完整数据中的条件独立性 / 依赖关系。经实验证明，所提出的算法在 MAR 或 MNAR 数据下也能给出正确的结果，并且在神经病理性疼痛诊断记录和其他两个真实世界应用中表现优异。

    Jul, 2018

  • 分析不完整的离散纵向临床试验数据

    本文介绍一种可以应用于非高斯离散数据的完全纵向数据分析方法 —— 广义线性混合效应模型，详细讨论了该方法在最大似然法下缺失数据假设机制的可行性，以及如何进行敏感性分析，并结合两个病例进行实证分析。

    Jun, 2006

  • 部分干预因果模型

    该论文提出了一种基于单一世界干预图的因果推断方法，建立了一种允许特定变量干预的图模型，并提出了一种干预计算法则。

    Oct, 2021

  • 非单调、非可忽略缺失数据的离散选择模型：鉴别和推断

    本文提出了一种基于离散选择模型的全能法，可以在缺失数据为非单调且不随机的情况下提供半参数推断，并针对逻辑斯谛离散选择不响应模型（LDCM）进行了特别考虑。

    Jul, 2016

  • 学习未知干预下非参数潜在因果图

    本文介绍了一种在潜在空间中通过未知干预重建潜在因果图的方法，不需要进行参数假设，并且不需要已知潜在变量的数量，每个潜在变量最多只需要一个未知干预，通过引入虚集和孤立边的两个新图形概念，可构造性地证明了这种方法的可行性。

    Jun, 2023

  • 条件干预分布的识别

    本文研究了有向图表示的因果假设和以概率分布形式给出的统计知识对行为影响的阐明。在特定的情况下，我们感兴趣的是预测在一组变量上执行操作并随后对另一组变量进行测量所产生的条件分布。我们提供了一种必要且充分的图形条件，可用于唯一计算出这些分布的情况，同时还提供了一种算法。此外，我们使用我们的结果证明了对于相同的识别问题，do-calculus [Pearl, 1995] 是完备的。

    Jun, 2012

  • 统计学习中的确定性和近似确定性模型

    本文提出了一种统一的方法，以验证数据插补对于学习准确模型是否必要，并在插补不必要的情况下返回准确模型。通过我们的算法，可以显著减少数据插补所需的时间和工作量，并且不会带来明显的计算负担。

    Feb, 2024