本文介绍了 COunterfactual Self-supervised TrAnsformeR（COSTAR），这是一种集成自我监督学习以改进历史表示的新方法。该方法将时间和特征注意力与针对时间处理结果观察的分量对比损失相结合，相较于现有模型在估计准确性和推广到分布外数据方面表现出卓越性能，经过合成和真实世界数据的实证结果验证。

Nov, 2023

引入了一种无模型数据增强方法来解决不同治疗组之间的统计偏差问题，通过学习表示空间和相似度度量，确保接近的个体拥有相似的潜在结果，从而可靠地预测替代治疗组中个体的反事实结局，并有效减小不同治疗组之间的差异，进而提高现有模型的性能和抗过拟合能力的实验研究表明方法具有显著的改进。

Nov, 2023

该论文提出了一种新的框架，通过语言引导生成对抗图片来加强分类模型。通过使用对抗图片数据集来测试模型的弱点，并将对抗图片作为增加的数据集来微调和加固分类模型，研究揭示了使用小规模对抗图片进行微调可以有效增强模型的性能。

Jun, 2024

本文提出了一种新型决策支持系统，通过嵌套结构的预测集和专家的设想单调性假设，实现比普通 bandit 算法更好的结果；大规模人类学科研究 ($n=2751$) 表明，这种限制专家代理水平的决策支持系统实用且可能提供比允许专家始终行使其代理权的系统更好的性能。

Jun, 2023

本文提出了一个新的算法框架来回答反事实问题，其将领域适应和表示学习的思想结合起来，并通过实证比较表明，我们的深度学习算法显著优于以前的现有技术，可以用于处理各种领域的观察研究数据的因果推断问题。

May, 2016

该研究提出了一种利用结构原因模型和 ALI 生成对抗学习算法，生成能满足图像属性之间因果关系约束的反事实例，用于解释和评估神经网络模型的偏差，并使用反事实正则化方法消除分类器训练数据中对皮肤和头发颜色等多维属性的偏见。

Sep, 2020

本文提出了一个基于因果关系的 Counterfactual Adversarial Training 框架（CAT），通过对单个样本生成对应的反事实表示，动态调整样本特有的损失权重，以此鼓励模型探索真实的因果关系，实现在句子分类、自然语言推理和问答等领域的显著性能提升。

Sep, 2021

通过引入自编码器重建损失，将分类器输出结果与自编码器的潜空间相连接，从而提高干预解释搜索过程的速度和解释干预结果的可解释性，尤其在自编码器以半监督方式训练的情况下进一步提高了其解释性。在多个数据集上的实验验证了该方法的有效性。

Mar, 2023

提出使用生成的对应事实标签进行校正的反事实增强技术，以解决基于用户行为所导致呈现偏倚问题。经验证，该技术比现有的校正方法以及未校正模型产生更好的性能，并且在理想情况下所生成的对应事实与真实对应事实非常接近。

May, 2023

本研究提出一种新的监督学习目标，预测反事实情况而不是预测现有行动策略下的结果，以支持决策制定，使用我们提出的反事实高斯过程（CGP）来预测在未来行动序列下连续时间轨迹的反事实未来进展，并证明其在风险预测和个体化治疗规划等决策支持任务上的优势。

Mar, 2017