Aug, 2022

通过潜在代理表示学习估计长期因果效应

PDF
TL;DR本研究提出了一种基于可识别变分自动编码器的灵活方法，用于在现实情况下估算长期因果效应，该情况中代理在短期结果中被观察或具有观察代理。通过恢复所有候选代理中的有效代理，可以进一步设计长期因果效应的无偏估计。实验结果验证了该方法的有效性。
发现论文，激发创造
  • 使用深度潜变量模型推断因果关系效应

    利用潜在变量建模来解决处理混淆因素以从观测数据中获取个体级因果关系的问题，该方法基于变分自编码器，效果显著优于现有方法且可达到同类方法的最佳水平。

    May, 2017

  • 利用替代性结果进行连续治疗效果评估

    在许多实际因果推断应用中，主要结果（标签）通常部分缺失，特别是如果它们昂贵或难以收集。本文研究了替代变量在估计连续性处理效应中的作用，并提出了一种双重稳健方法，以有效地将替代变量纳入分析中，该方法使用标记和未标记数据，并不受选择偏差问题的影响。重要的是，我们建立了所提估计量的渐近正态性，并展示了与仅使用标记数据的方法相比可能的方差改进。大量仿真实验显示我们的方法具有吸引人的经验性能。

    Jan, 2024

  • 深度潜变量模型因果估计的一项重要检验

    通过多个数据集的实验和分析，研究了深度潜变量模型在因果推断中的应用，发现需要注意确保其因果估计的正确性。

    Feb, 2021

  • 因果动态变分自编码器用于纵向数据的对因回归

    在精确医学、流行病学、经济和市场等多个领域中，估计随时间变化的治疗效果是相关的。本研究提出一种基于未观察到的风险因素的个体治疗效果估计方法，结合动态变分自动编码器 (DVAE) 框架和使用倾向得分的加权策略，准确估计反事实回应和捕捉纵向数据中的潜在异质性。我们的模型在最新技术模型上展现出卓越性能。

    Oct, 2023

  • 有限结果数据中代理的角色在治疗效果有效估计中的作用

    本文研究了在难以收集数据的情况下，通过使用代理观测值对治疗效果进行高效估计，构建了基于机器学习技术的估计方法，并通过职业培训的长期收益效果的实证研究表明了其效果

    Mar, 2020

  • 向因果不变性正则化：带代理的线性模型

    我们提出了一种学习线性模型的方法，该方法可使预测性能对无法观测变量的因果干预具有鲁棒性，当这些变量的噪声代理可用时。

    Mar, 2021

  • 用于贝叶斯因果发现的潜变量模型

    该研究探讨了从高维数据中学习因果表示的挑战性问题，并引入了一种基于潜变量解码器模型的贝叶斯因果发现方法，在半监督和无监督的情况下进行了实验，表明使用已知的干预目标能够帮助结构和参数的无监督贝叶斯推断。

    Jul, 2022

  • 从一般时间数据中学习暂态因果潜在过程

    通过时间信息学习潜在因果变量的变化规律，使用因果过程先验引入约束来实现条件满足，达到从非线性混合数据中可靠地识别因果潜在过程的目的。

    Oct, 2021

  • 通过开关变量在隐含因果模型中实现解放

    在没有已知基准图结构的情况下，从观察数据和干预数据中学习因果表示需要进行隐式潜在因果表示学习。本文通过软干预在变分自动编码器（VAE）框架中处理隐式潜在因果表示学习，提出了一种模拟软干预效果的方法，采用设计的因果机制切换变量在不同因果机制之间切换，实验证明相比基准方法，我们的方法能够稳定地改进可识别的因果表示的学习。

    Feb, 2024

  • 纵向变分自编码器

    该研究提出了一种称为长期 VAE（L-VAE）的方法，通过使用多输出加性高斯过程（GP）先验来扩展 VAE 的能力，从而实现在辅助协变量信息的约束下学习结构化低维表示， 以及导出了一种新的 KL 离散度上界。该方法可以同时适应时间变化的共享和随机效应，产生结构化低维表示，剥离个体协变量或其相互作用的影响，以及实现高度准确的预测性能。

    Jun, 2020