连续权重平衡
通过最大化因果推断精度的熵平衡算法,我们研究了在倒数概率得分加权框架下,观测原因推断中连续治疗的问题,并使用合成和真实数据展示出我们的算法比基线熵平衡算法更准确地估计因果效应。
Jul, 2021
研究了一种针对长尾数据的方法,基于权重平衡和两阶段训练结合的经典正则化技术,通过分析神经崩溃和锥效应,发现该方法是通过权重衰减和交叉熵损失以及类平衡损失调整的隐式 logit 方法增加特征提取器的 Fisher 判别比率。研究表明,通过将训练阶段的数量减少到一个并提高准确性,可以进一步简化训练方法。
May, 2023
本文介绍了一种基于排列加权的方法,使用标准二元分类器来估计平衡权重,以实现观测因果推断。通过这种方法可以估计多种现有平衡权重,同时允许基于分类器损失的方法直接比较,并使用交叉验证进行超参数调整。实证评估表明,排列权重相对于现有的方法表现更为有利。
Jan, 2019
提供了一个实用的、统计上连贯的方案,可在通用损失函数下主动学习二分类器,该算法使用重要性加权来纠正抽样偏差,并通过控制变量来给出严格的标签复杂性界限,实验表明,该方法减少了实现许多学习问题的良好预测性能所需的标签复杂性。
Dec, 2008
本文研究一种最小化权重的方法,它可以近似平衡协变量,提出了一种调整权重的算法并应用于实证研究,结果表明这种方法可以有效降低加权估计器的均方误差
May, 2017
本文介绍了在因果推断中使用加权重来实现预测功能的平衡,强调了确定合适的目标人群的重要性,并使用引理将平衡与倾向性评估的质量联系起来,最终展示了学习到的加权表示如何促进具有吸引力统计特征的替代因果学习过程。
Oct, 2020
文章提出了一种新的方法 Deep Imbalanced Regression(DIR)来处理实际中连续性 target 的不均衡数据分布问题,通过分布平滑技术,使用已有数据来校准标签和学习特征的分布,同时构建了大规模的实际任务实验数据集,并在计算机视觉、自然语言处理、医疗保健等领域获得了良好的实验效果。
Feb, 2021
本文提出了一种使用积分概率度量进行协变量平衡的加权方法,并证明该方法可以在不正确指定模型的情况下保持一致性,同时在有限样本情况下的表现也比现有方法更好。
May, 2023
本文针对 Augmented Balancing Weights(即 AutoDML)进行了新颖的表征,研究了其估计器结合了结果建模和平衡权重的方法,提出了一种基于 Riesz 代表器的推广方法,并进一步扩展到线性估计。该研究为增强平衡权重提供了重要见解,进一步揭露了其具体的估算选择方式。
Apr, 2023