CausalSim: 一种用于无偏追踪驱动模拟的因果推断框架

Jan, 2022

CausalSim: 一种用于无偏追踪驱动模拟的因果推断框架

CausalSim: A Causal Inference Framework for Unbiased Trace-Driven Simulation

Abdullah Alomar, Pouya Hamadanian, Arash Nasr-Esfahany, Anish Agarwal, Mohammad Alizadeh...

TL;DRCausalSim 是一个建立在因果推断框架之上的模拟器，其使用一个基于张量补全问题的方法去消除由于算法选择导致的偏差，实验表明使用 CausalSim 进行模拟的结果比专家设计和监督学习的基准结果平均下降了 53% 至 61%。

Abstract

We present CausalSim, a causal inference framework for unbiased trace-driven simulation. Current trace-driven simulators assume that the interventions being simulated (e.g., a new algorithm) would not affect the validity of the traces. However, real-world traces are often biased by the

causal inference trace-driven simulation causal model tensor completion simulation accuracy

发现论文，激发创造

RealCause: 真实因果推断基准测试

该研究论文使用灵活的生成模型提供基准，既可以提供因果效应的真实值，又可以代表真实数据，评估了 1500 多种不同的因果效应估计器，并提供证据表明使用预测指标选择因果效应估计器的超参数是合理的。

Nov, 2020

模拟到真实的因果转移：一种基于度量学习的因果感知交互表示方法

研究了多智能体问题中相邻智能体之间的空间 - 时间相互作用建模，从计算形式主义到实际应用深入探讨了这些模型对智能体相互作用背后因果关系的认知程度，提出了一种度量学习方法来规范潜在表征和因果注释，实验证明该方法提高了因果认知度并具有更强的分布外鲁棒性。通过跨域多任务学习提出一种模拟到真实因果转移方法，在行人数据集上证明方法能够大大提高泛化性能。

Dec, 2023

部分指定的因果模拟

依据确定方法的操作条件，使用适当设计的 PARCS 模拟框架，合成基于因果图模型和各种可调参数的数据，进而更全面地检验因果推断。

Sep, 2023

基于仿真的反事实因果推断：真实世界驾驶员行为研究

提出了三种反事实因果发现方法，其通过提取事件的方式解决了动态环境中因果链的不稳定性，同时采用反事实模拟来克服因无法在公共道路上进行实验而带来的干扰，实验结果表明，该方法在智能驾驶中因果关系的建立方面表现显著优于传统方法。

Jun, 2023

CausalTime: 用于因果发现基准测试的现实生成时间序列

使用 CausalTime 流程生成类似真实数据的时间序列，带有地面真实因果图以量化性能评估，该方法为实际应用中评估时间序列因果发现算法提供了可行的解决方案，并可泛化到广泛领域。

Oct, 2023

因果下游任务中的幻象与虚假

机器学习和人工智能有潜力改变数据驱动的科学发现，通过准确预测多种科学现象。本文通过对治疗效果估计的因果推断任务进行研究，其中假设记录为高维图像的二元效果是在随机对照试验中进行的。我们发现，尽管这是最简单的设置且完全适合深度学习，但在文献中的许多常见选择可能导致有偏估计。通过在昆虫（Lasius neglectus）对微粒应用的群体间进行的 RCT 记录的实际基准测试下游因果推断任务，从最先进的视觉骨干中微调了 6,480 个模型，我们发现抽样和建模选择显著影响因果估计的准确性，并且分类准确性不能作为此的代理。我们进一步在控制因果模型的合成生成视觉数据集上重复验证分析。我们的结果表明，未来基准测试应认真考虑真实的下游科学问题，特别是因果关系问题。此外，我们强调了用于帮助回答科学领域的因果问题的表示学习方法的指南。所有的代码和数据将会发布。

May, 2024

RCT 因果估计评估的拒绝抽样

在高维变量的设置中，我们提出了一种新的采样算法 ——RCT 拒绝采样，通过使用随机控制试验（RCT）的平均因果效应作为基准真实值，并在观察数据中保证因果识别性，以便有效地评估机器学习方法在去除混淆时的表现，为因果估计的改进经验评估构建了基础。

Jul, 2023

$ exttt {causalAssembly}$: 生成逼真的生产数据以进行因果关系发现的基准测试

本研究通过收集来自装配线的复杂数据集，建立了一个半合成制造数据的系统，通过分析其中的因果关系和使用 Python 库 causalAssembly 进行了多种因果推理算法的基准测试，以验证别人的因果关系学习算法在真实数据中的正确性和有效性。

Jun, 2023

因果推断分析性能评估基准框架

本文介绍了一个综合框架，用于对评估算法进行基准测试，它包括用于预测的未标记数据、用于验证的标记数据以及使用已建立和新颖指标进行算法预测的自动评估的代码，并解决了缩放和数据屏蔽问题。

Feb, 2018

基于约束条件从少样本图中学习因果结构

该研究论文提出了一种利用约束编程方法结合先前知识和理论洞见的实用方法，从而解决了时间序列数据中因果学习算法估计的图形结构提供高度误导性因果信息的问题，并且可以扩展到大型随机变量集合，并不需要精确知道时间尺度差异。

May, 2022