Nov, 2020

基于解缠的因果效应变分自编码器的反事实公平性

PDF
TL;DR本文提出了一种名为 Disentangled Causal Effect Variational Autoencoder（DCEVAE）的方法，该方法利用因果推断和去除嵌入式敏感信息的方法对公平分类问题进行了改进，在生成对照组示例的同时成功区分了与干预相关但无因果关系的变量和由干预引起的信息。此外，DCEVAE 还提供了公平性正则化，减少信息损失生成自然对照图像。
发现论文，激发创造
  • 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

  • 因果动态变分自编码器用于纵向数据的对因回归

    在精确医学、流行病学、经济和市场等多个领域中，估计随时间变化的治疗效果是相关的。本研究提出一种基于未观察到的风险因素的个体治疗效果估计方法，结合动态变分自动编码器 (DVAE) 框架和使用倾向得分的加权策略，准确估计反事实回应和捕捉纵向数据中的潜在异质性。我们的模型在最新技术模型上展现出卓越性能。

    Oct, 2023

  • CausalVAE: 变分自编码器中的结构因果解缠

    本文提出了一种基于因果结构的 VAE 算法 CausalVAE，使用因果层将独立外生因素转化为内生因果因素，实现了因果因素的自动发掘和可解释性，实验结果表明 CausalVAE 提出的因果表示能够在多个数据集上实现对真实因果结构的恢复，同时可以生成对因果结构产生干预的对事实数据。

    Apr, 2020

  • 基于变分自编码器的连续处理效应估计的解耦表示

    本文提出了一种利用变分自编码器（DRVAE）实现剂量响应曲线估计的新方法，通过将协变量分解为仪器因子、混淆因子、调整因子和外部噪声因子，从而在连续治疗情景下平衡分解的混淆因子，以实现治疗效果的估计。大量对合成和半合成数据集的实验结果证明，我们的模型优于当前的最先进方法。

    Jun, 2024

  • 用于推荐系统中偏好理解的因果分离变分自编码器

    本文提出了一种新方法 - 因果分离变分自编码器（CaD-VAE），该方法可以从交互数据中学习因果分离表示，以改善推荐模型的鲁棒性、可解释性和可控性，结果表明此方法可以优于现有的方法

    Apr, 2023

  • 通过分布式对比解缠学习公平表示

    通过对比学习中的分布对比损失构建敏感性和非敏感性的潜在空间，学习公平表示来达到去偏的目的。

    Jun, 2022

  • 跨领域顺序自编码器追求反事实公平性

    通过引入名为 CDSAE 的创新框架，我们提出了一种有效地解决领域漂移和公平问题的方法，该方法通过同时分离环境信息、敏感属性和分类特征的嵌入表示来提高模型的泛化能力，验证结果表明，在持续领域的不断变化中，我们的方法能实现提高准确性并确保公平性的目标。

    Sep, 2023

  • 无概念因果分解变分图自编码器

    提出了一种无监督学习的解决方案，称为无概念因果分解 (disentanglement)，通过在可观测数据中直接学习概念结构，提出了 CCVGAE 和 CC-Meta-Graph 模型，并在 AUC 方面分别取得了高达 29% 和 11% 的绝对改进。

    Nov, 2023

  • 将因果分析融入多样化和逻辑回复生成中

    本文研究了 Conditional Variational AutoEncoder（CVAE）生成回答时常常与原问题不相关或缺乏逻辑性的原因，并提出了一种寻找中介变量和缓解对话中混淆偏差的方法。在此基础上，提出了动态话题图引导的条件变分自动编码器（TGG-CVAE）模型，用于补充语义空间并减少响应中混淆偏差。实验证明，所提出的模型能够生成相关且信息量丰富的回答，并在自动评估和人类评估方面优于现有的最先进模型。

    Sep, 2022

  • 变分公平自编码器

    研究如何学习能保留数据中大部分信息且对于某些噪声或敏感变化因素具有不变性的表示形式，提出了一种基于变分自编码器的模型，包括鼓励灵敏因素和潜在因素独立的优先知识和基于 “最大均值差异”（MMD）的附加惩罚项，实验证明该方法比以前的工作更有效。

    Nov, 2015