Jul, 2020

利用不确定性感知模型识别因果推断失败

PDF
TL;DR在高维数据领域，我们提出了一种将不确定性估计融入到个体层面因果估计中的实用方法，这种方法能够优雅地处理 “没有重叠” 的情况，并在实际应用中处理协变量转移，既能避免过度自信，又可在预测不可信时提醒决策者，在处理方面超越其不关注不确定性的对应物。
causal effect estimationneural network methodsuncertainty estimationhealthcarehigh-dimensional data
发现论文，激发创造
  • 利用不确定性感知因果模型提高基于图像的精准医疗

    本研究使用基于贝叶斯的深度学习技术，通过对多发性硬化症患者的 MRI 图像进行数据训练，估计病人的不同治疗方案的后验分布，计算每种治疗方案和任意两种治疗方案之间的个体治疗效应（ITE）并对其不确定性进行评估，从而实现 “精准医学”，并对临床医生的决策提供指导。

    May, 2023

  • 基于网络数据的因果效应估计与不确定性预测

    通过不确定性感知的图深核学习（GraphDKL）框架和 Lipschitz 约束来建模预测不确定性，并识别不可靠的估计，提出了一种更加可靠的因果效应估计方法。GraphDKL 是第一个处理图形因果效应估计中正性假设违反的框架。通过广泛的实验，我们证明了在网络数据上进行不确定性感知的因果效应估计中，我们提出的方法的优越性。

    Sep, 2023

  • 神经状态空间模型：不确定性量化的实证评估

    本研究应用 Bayesian 概率框架和近似推理技术，对神经状态空间模型进行不确定性量化，得出模型输出的可信区间和惊奇指数，以有效诊断模型在潜在危险的分布区域内的使用可能性。

    Apr, 2023

  • 重新审视不确定性估计的评估及其在探索模型复杂度 - 不确定性平衡中的应用

    本研究针对神经网络预测的不确定性准确度进行研究，提出了针对不同使用场景下的新度量标准，探讨了模型复杂度与不确定度准确度之间的权衡关系，并通过实验验证了新度量标准的有效性和一些有趣的趋势。

    Mar, 2019

  • 通过神经网络的近似推理进行贝叶斯生存分析

    本文研究了在深度神经网络中建模不确定性对生存分析的预测和校准性能的好处，提出了一个贝叶斯深度学习框架，评估了四个基准数据集上的预测表现，并与传统非贝叶斯方法进行比较。

    Apr, 2024

  • 贝叶斯建模实践：利用不确定性提高医疗应用的可信度

    本文介绍了如何使用贝叶斯建模和预测不确定性来减少误判和检测出领域外的医疗样本，通过一个贝叶斯神经网络应用于 MIMIC-III 数据集，展示了它在 ICU 患者的死亡风险预测中防止潜在误差和可靠地确定领域外患者的作用，证明了贝叶斯预测不确定性在高风险环境下机器学习模型可靠性的重要性。

    Jun, 2019

  • 不确定性解释性：神经网络的可信决策

    机器学习模型中的不确定性是一个关键特征，尤其在神经网络中更为重要，因其倾向于过于自信。本研究提出了一个通用的不确定性框架，将不确定性估计定位为可解释的人工智能技术，并引入分类与拒绝机制以减少错误分类，同时应用于教育数据挖掘中的神经网络案例研究，提高模型在操作研究中决策任务中的可信度与行动性。

    Mar, 2024

  • 癌症生存预测中的不确定性估计

    本文提出一个基于贝叶斯框架、变分推断及神经多任务逻辑回归的生存模型，不但提供更准确的预测，而且能更好地量化生存不确定性。

    Mar, 2020

  • 计算机视觉中缺乏不确定性的发现令人不安

    本文通过对文献的元分析，发现大多数计算机视觉应用都没有使用恰当的认识不确定性量化方法，从而忽略了模型自身的局限性。我们描述了使用没有适当的不确定性量化的模型所产生的后果，并激励社区采用具有适当校准的认知不确定度的模型版本，以实现让模型具有识别未知数据集的能力。在本文中，我们还总结了计算机视觉应用程序中不确定性估计的挑战和建议。

    Apr, 2021

  • 连续数值干预因果效应估计的可扩展灵敏度和不确定性分析

    本文提出了一种基于连续处理效果边际敏感模型 (CMSM) 的方法，该方法结合了可扩展的算法和深度模型，用于估算高维大样本观测数据的不确定性并识别潜在干扰变量，以进一步理解当假设被放松时因果估计所引入的忽略误差，并将其应用于气候科学中由人类排放对云特征的影响的研究。

    Apr, 2022