深度端到端因果推断

Feb, 2022

Deep End-to-end Causal Inference

Tomas Geffner, Javier Antoran, Adam Foster, Wenbo Gong, Chao Ma...

TL;DR本研究开发了深度端到端因果推断模型 DECI，能够处理异构的混合型数据以推断因果关系和估计条件平均处理效果，实验结果表明 DECI 比基线方法具有更高的性能。

Abstract

causal inference is essential for data-driven decision making across domains such as business engagement, medical treatment and policy making. However, research on causal discovery has evolved separately from inf

causal inference causal discovery deep end-to-end causal inference conditional average treatment effect heterogeneous mixed-type data

发现论文，激发创造

用根据和结构的因果问答提升事件因果性鉴定

提出了一种多任务学习框架，通过因果性问题回答和事件结构图，增强了文档级事件因果性识别，并通过生成理由和结构感知的因果性问答来解释具有因果关系的事件。

Mar, 2024

使用神经控制微分方程连续建模对照结果

借助控制微分方程的数学，提出一种新方法用于处理不规则采样数据的因果推断任务，即治疗效果神经控制微分方程（TE-CDE），以便在任何时间点评估可能的结果，并通过对抗性训练来解决长期临床研究中的时间相关混淆问题。该方法在一系列不规则采样的临床情境中的模拟环境中表现优于现有方法。

Jun, 2022

基于深度全空间交叉网络的个体治疗效果估计

DESCN 是一种深度学习框架，可从整体的样本空间中学习出处理和响应函数，同时通过中间伪处理效应预测网络来减轻样本失衡，并成功提高了 ITE 估计的准确性和提升排名表现。

Jul, 2022

Hi-CI: 高维度深度因果推断

本文提出了一种名为 Hi-CI 的深度神经网络算法，可以使用因果推断 (CI) 从高纬度协变量和高基数处理中进行反事实回归，并通过使用去相关网络和结果预测网络解决混淆偏差问题，最后展示了该算法在合成和真实数据集上的有效性。

Aug, 2020

Downstream Treatment 效应估计的贝叶斯因果探索方法基准测试

通过实施强大的评估程序，我们评估了六种现有的基线因果关系发现方法和一种基于 GFlowNets 的新方法，用于治疗效果估计，并提供了有价值的洞察力，考虑了合成和真实世界场景以及低数据场景。此外，我们研究的结果表明，GFlowNets 能够有效地捕捉广泛有用和多样化的 ATE 模式。

Jul, 2023

因果网络：针对高维复杂数据的因果推断

本文提出了一种基于深度学习技术的因果推断方法，用于处理高维复杂数据，包括稀疏深度学习理论和随机神经网络，通过这些技术，该方法能够一致地解决高维度和未知数据生成过程的问题，并在存在缺失值的数据集中表现优于现有方法。

Mar, 2024

祖先因果推断

提出一种通过利用更粗粒度的原因信息表示来降低搜索空间的组合爆炸，从而极大地减少计算时间，并根据信心对原因预测进行评分的新方法，证明了方法的正确性和渐近一致性，并证明了该方法在合成数据上的优越性能，并将其应用于具有挑战性的蛋白数据集中。

Jun, 2016

结构治疗的因果效应推断

本文提出了广义 Robinson 分解方法，用于处理结构化干预条件下的条件平均处理效应（CATE）估计问题。在小世界和分子图像的实验中，与之前的工作相比，我们的方法在 CATE 的估计方面表现更好。

Jun, 2021

因果推断为基础的神经语音增强中的推断和去噪

该论文提出了一种基于因果推断范式的语音增强方法，使用噪声检测器将噪声存在建模为干预因素，通过两个基于掩蔽的增强模块进行噪声条件下的分离，建立了特定的平均处理效应来量化因果效应，并在实验证明了该方法的高效性和优越性。

Nov, 2022

深度因果学习：表示、发现和推断

本文综合评述了深度学习在因果学习中的贡献，解决了传统因果学习方法中的许多问题，并指出深度因果学习在因果科学的理论拓展和应用扩展中的重要性，并成为通用人工智能中不可或缺的一部分。

Nov, 2022