Oct, 2022

在网络下异质干扰下学习个体化治疗效果

PDF
TL;DR本论文提出了一种新算法 ——Dual Weighting Regression (DWR)，其通过学习注意力权重和样本权重来解决网络场景下的干扰异质性问题，同时实验表明该算法优于目前的其他算法。
treatment effectsobservational datanetwork scenariossutva assumptiondual weighting regression
发现论文，激发创造
  • 集群网络干扰下的个体化政策评估与学习

    在存在干预关系的集群网络中，评估和学习个性化治疗规则的最优性能，提出了一个可用于评估个性化治疗规则经验性能的估计器，该估计器比标准的倒数概率加权估计器更有效，而且可以改善学习策略的性能。

    Nov, 2023

  • 异质干扰下的治疗效果估计

    通过开发一种从不同视角聚合信息的新架构，我们提出了一种模型异质干扰的新方法，包含图神经网络、不同视角信息的聚合机制和注意力机制，经过多个数据集的实验，证实了模型异质干扰建模的重要性。

    Sep, 2023

  • 基于异质性同伴影响推断因果效应

    提出一种通过结构因果模型来解决网络中存在异质性干预的方法，使用图神经网络估算个体因果效应来较好地解决同质性影响的偏见问题。

    May, 2023

  • 连续治疗干扰下网络上的因果推断

    本文提出了一种非实验设置下绘制因果关系的方法，并展示了一个广义倾向得分估计器，该估计器允许我们估计连续治疗的直接效应和溢出效应，并研究了溢出效应如何塑造农业市场政策干预的最优水平。结果表明，在这种情况下，忽略干扰可能会导致在评估政策有效性时出现向下偏差。

    Apr, 2020

  • 具有部分网络信息的干扰下的 A/B 测试

    本研究提出了一种名为 UNITE 的新估计方法，可以在不知道具体底层网络的情况下，仅依赖于图中任意主体的邻居超集的信息，来识别全局平均治疗效应（GATE）。通过理论分析和大量实验证明，所提出的方法在比较中表现更好。

    Apr, 2024

  • 估算具有时间变动混淆因素的个体处理效果

    本研究提出 Deep Sequential Weighting (DSW) 模型通过使用深度递归加权神经网络，将当前的治疗方案和历史信息结合起来推断隐藏的混淆因素并计算个体治疗效果，从而为个性化医疗铺平道路，实验结果表明，该模型可准确预测并生成无偏的治疗效果。

    Aug, 2020

  • 多个治疗方法网络设置中的个体因果效应估计

    我们研究了多个治疗和网络观测数据背景下的个体治疗效果估计问题，利用网络信息以增强强可忽略性假设在实际应用中的适用性，并通过图卷积网络学习共享的混淆因素表示，设计了损失函数以组合表示损失和均方误差损失。通过在 BlogCatalog 和 Flickr 等基准数据集上进行一系列实验，实验结果一致表明与基准方法相比，我们的模型显示出优越的性能。

    Dec, 2023

  • 基于数据驱动的异质性治疗效应估计

    本文综述了数据驱动方法在异质性治疗效应估计上的应用，分为基于反事实预测和直接估计因果效应的方法，还有从数据中学习模型结构的结构因果模型方法，并在不同结构模型机制下进行了实证评估。

    Jan, 2023

  • 异质性治疗效果评估的动态治疗信息共享

    本文提出了一种基于深度学习的框架，用于训练通过软权重共享的超网络实现不同处理组之间的动态端到端信息共享，并解决了现有 CATE 学习者在训练时需要将数据拆分为潜在结果函数的问题，增加了新型的不确定性感知 CATE 学习者类 HyperCATE，实验结果表明，该框架通过反事实推理改进了 CATE 估计误差，对较小数据集的效果更加显著。

    May, 2023

  • 高维异质性治疗效应估计的可微分 Pareto 平滑权重

    我们提出了一种可通过不同 iable Pareto 平滑加权框架来替换极端权重值的可微分权重学习方法，从而在估算高维异质处理效应时实现数值稳健的估计，实验结果表明，通过有效地校正权重值，我们的方法优于现有方法，包括传统的加权方案。

    Apr, 2024