从观测、偏见和随机数据学习界定反事实推断

Dec, 2022

从观测、偏见和随机数据学习界定反事实推断

Learning to Bound Counterfactual Inference from Observational, Biased and Randomised Data

Marco Zaffalon, Alessandro Antonucci, David Huber, Rafael Cabañas

TL;DR本文介绍一种方法，通过数据整合和建立结构性因果模型，在不同条件下解决由选择偏差引起的局部统计问题，并针对数据集的部分可识别性问题提出了一种逼近计算方法。通过系统的实验验证和实例研究，证明了这种方法的可行性和准确性，并揭示了数据整合对于信息界的提高具有积极的作用。

Abstract

We address the problem of integrating data from multiple, possibly biased, observational and interventional studies, to eventually compute counterfactuals in structural causal models. We start from the case of a single observational dataset affected by a →

data integration structural causal models selection bias causal expectation-maximisation partial identifiability

发现论文，激发创造

融合观察、偏差和随机数据源的近似反事实界限

通过数据集成、反事实计算和因果推断方法，我们的研究对于解决具有选择偏差的数据集以及多个数据集之间的整合问题提出了有效的解决方案。

Jul, 2023

选择偏差下的边界反事实

本研究提出一种算法来解决因果分析中的选择偏差，并证明了尽管存在选择偏差，可用数据的似然函数是单峰的。该算法可以用于解决可识别和不可识别查询，并通过因果期望最大化方案计算可识别情况下的因果查询值，否则计算上下界。实验表明该方法是实际可行的，并提供了理论收敛特性。

Jul, 2022

反事实上界的高效计算

本文介绍了从结构因果模型获得置信网，通过 Credal 网络算法计算精确的反事实边界，提出了一种因果 EM 方案实现近似边界，评估了其精确度并通过关于姑息治疗的真实案例阐述了其实际应用。

Jul, 2023

从观测数据中学习最优策略

本文通过控制实验方法和观察性数据建立了最优决策的理论模型，并利用域对抗神经网络的方法进行决策选择，从而在处理缺失反事实和选择偏差方面取得了较好的效果。

Feb, 2018

学习针对事实推断的表征

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

贝叶斯分层模型用于反事实估计

本文提出一个新的概率模型，用于计算模型的多个对抗性解释。该模型可以共享群体分组的信息，并保留领域特定的约束条件，同时评估不确定性，并得出合理、稀疏、多样和可行的结果。

Jan, 2023

隐藏混淆下的共形反事实推断

个性化决策需要对不同处理方法下的潜在结果有所了解，并且关于潜在结果的置信区间能够丰富决策过程并提高其在高风险场景下的可靠性。本研究提出了一种基于推断加权拟合预测的新方法 wTCP-DR，他能够在存在隐性混淆的情况下提供对反事实结果的置信区间，并具备边际收敛保证。通过访问部分干预数据，我们的方法能够解决观测分布和干预分布之间的协变量转移问题。理论结果明确表明了我们的算法相对于只使用干预数据的朴素方法的条件优势。在确保反事实置信区间有效之后，构造个别处理效应的区间是直接的。我们通过合成数据和真实世界数据验证了我们的方法的优越性，其中包括推荐系统，并与现有最先进方法进行了比较，结果在覆盖率和效率两方面都表现出优势。

May, 2024

基于概率因果模型的高保真图像反事实

本研究提出了一种通用的因果生成建模框架，用于准确估计具有深度结构因果模型的高保真图像反事实情况。

Jun, 2023

在不确定性下对反事实干预进行估计

通过采用贝叶斯层级模型来建模不确定性，本文解决了连续设置中对反事实分布的模棱两可性问题，特别是在贝叶斯变形高斯过程中，允许非高斯分布和非加法噪声，成功应用于一个合成和半合成的案例，并展示了在算法补救下游任务中的性能。

Sep, 2023

通过分位数回归推进相对论推断

该论文旨在通过使用神经网络将反事实推理重新构建为扩展的分位数回归问题，依据已学习的定性因果结构和观测数据进行可靠的反事实推理，而不需要给定因果模型甚至直接估计条件分布，并且该方法比现有方法在统计上更有效，同时也有可能将所估计的反事实结果的泛化能力扩展到看不见的数据，并提供泛化误差的上限界限。实验结果在多个数据集上强烈支持我们的理论 claims。

Jun, 2023