ICMLJul, 2021

战略工具变量回归：从策略性反应中恢复因果关系

PDF
TL;DR研究发现，当机器学习算法自动或参考作用于关于人的重大决策时，个体决策受到激励可通过策略性地修改自己的可观察属性以获得更有利的预测，导致预测所依赖的训练数据分布与实际使用的数据分布不同。但是，该文提出了一个新方法，通过观察部署模型的顺序可以将策略性响应与工具变量回归联系起来，从而有效地恢复我们想要预测的可观察特征和结果之间的因果关系，从而提高决策的公平性、代理结果和预测风险。
machine learningstrategic responsescausal relationshipsinstrumental variable regressionindividual fairness
发现论文，激发创造
  • 因果策略线性回归

    本文提出了在实现线性设置中优化三种不同决策者目标的决策规则的有效算法，包括准确预测智能体事后结果 (预测风险最小化)，激励智能体改进这些结果 (智能体结果最大化)，以及估计真实基础模型的系数 (参数估计)。其中的算法绕过了 Miller 等人的一个困难结果，允许决策者测试一系列决策规则并观察智能体的响应，从而通过决策规则实现因果干预。

    Feb, 2020

  • 因果推断与机器学习中的工具变量方法：一项调查

    介绍和讨论 IV 方法及其在因果推断和机器学习中的应用，主要包括两阶段最小二乘法、控制函数和 IV 评估；总结了实际应用场景中的数据集和算法，并讨论了未来研究的方向和问题。

    Dec, 2022

  • 通过双机器学习学习决策策略的工具变量

    利用双 / 去偏机器学习框架设计的 DML-IV 算法，有效减小两阶段 IV 回归中的偏差并学习高性能策略。

    May, 2024

  • 核工具变量回归

    该研究提出了一种非参数化的核工具变量回归方法，可以应用于探索观察数据中因果关系，并在实验中得到非常好的表现。

    Jun, 2019

  • 工具变量回归中学习深度特征

    本研究提出了一种新的方法，即深度特征工具变量回归（DFIV），用于解决仪器、处理和结果之间可能是非线性关系的情况。通过训练深度神经网络，定义仪器和处理的信息非线性特征。采用交替训练模式确保优良的端到端性能，解决了应用传统仪器变量回归可能存在的局限性，可有效提高其应用范围和性能。

    Oct, 2020

  • 游戏有帮助！从自然动态的战略交互中学习

    研究在在线回归模型中，个体会通过改变自己的特征来改进模型所预测的得分，并探讨在这一过程中，如何精准地找出对结果有意义的特征，并通过激励机制鼓励学习模型学习这些特征。

    Feb, 2020

  • 条件工具变量回归与表示学习用于因果推断

    本文研究了在存在未观察到的混淆因素的情况下，从观察数据中估计因果效应的复杂问题。我们使用条件性工具变量（CIV）来缓解标准工具变量方法中的无混淆工具变量条件，并提出一种基于混淆平衡表征学习的非线性 CIV 回归，CBRL.CIV，以非线性情况下共同消除未观察到的混淆因素的混淆偏差并平衡观察到的混淆因素，无需线性假设。我们从理论上证明了 CBRL.CIV 的合理性。对合成数据集和两个实际数据集进行的大量实验证明了 CBRL.CIV 与最先进的基于工具变量的估计器相比的竞争性能以及在处理非线性情况方面的优越性。

    Oct, 2023

  • 使用深度生成模型的条件工具因果推断

    本文提出了一种基于深度生成模型的数据驱动方法，用于从含有潜在混淆因素的数据中学习条件工具变量及其调节集的信息表示，并实现平均因果效应估计。通过大量的合成和实际数据实验，证明该方法优于现有的 IV 方法。

    Nov, 2022

  • 战略分类是伪装成因果建模的技术

    通过引入因果框架来研究策略适应问题，揭示了与游戏与改进相关的一些难点，提出了分类器设计与成本函数设计必须解决非平凡因果推断问题，而过往在策略分类方案的研究实际上是具有隐性因果模型的。

    Oct, 2019

  • 通过对抗工具变量回归揭示对抗样本的因果特征和因果免疫，以实现鲁棒网络

    本文提出了从因果关系的角度，采用对抗工具变量回归来研究对抗训练网络中的异常漏洞，探明了对抗样本固有的因果特征，并提出 CAFE 的防御方法，以改善对抗鲁棒性。

    Mar, 2023