Apr, 2023

将预测模型与因果效应估计相结合

PDF
TL;DR本文探讨了如何通过建立因果推断模型来估算特征对结果的因果影响，从而实现个性化决策制定。同时，本文还研究了当该模型满足特定条件时，它可以像最先进的因果效应估计方法一样准确地估计特征的因果效应，呈现出良好的健壮性和可解释性。
发现论文，激发创造
  • 模型无关解释的因果解释效应

    本研究旨在解决机器学习模型预测个体实例时特征贡献和整体特征重要性的估计问题，提出了一种基于假设理想实验的因果效应定义，并构建了基于因果效应的透明且有意义的本地和全局解释方法，其数据驱动估计和实验验证表明了该方法的有效性及实用性。

    Jun, 2022

  • 使用不变预测进行因果推断：识别和置信区间

    利用因果模型在干预下的预测不变性，我们提出一种方法来推断因果效应并构建高概率的因果模型集合。这个方法可以在各种不同实验设置下得出有效的置信区间，并研究了其鲁棒性和推广性。

    Jan, 2015

  • 因果推断综述

    本文综述了在潜在结果框架下，针对观察数据的因果推断方法。这些方法分为两类，包括传统的统计学方法和最新的机器学习方法，还介绍了这些方法在广告、推荐、医学等领域的应用以及常用的基准数据集和开源代码。

    Feb, 2020

  • 预测模型可用于因果推断吗？

    本研究考虑了在有因果关系的影响下，监督机器学习和深度学习算法能否在解释性和预测性之间实现平衡，并表明这种平衡可以通过紫珀（Pearl）的后门调整准则来实现。使用这种方法，不仅可以获得准确的预测，同时也可以大大提高模型的解释性和迁移性。

    Jun, 2023

  • 因果升维与链接预测

    本文介绍了第一个能处理路径依赖的因果模型，它引入了因果提升的概念，并且证明了基于结构对的节点对称联合表征方法，具有更低的偏差和更好的因果结构表示能力。

    Feb, 2023

  • 预测遇到因果推断：治疗在临床预测模型中的作用

    该研究提出了一种基于 predictimand 框架的方法来处理临床预测模型中的治疗，通过给出不同的预测问题，定义相应的 estimands，并举例说明其应用场景和适用估算器，探讨了治疗风险的预测，从而阐述明确定义 estimand 的重要性。

    Apr, 2020

  • 机器学习的因果可解释性：问题、方法和评估

    本文综述了因果可解释模型的问题和方法，并深入探讨了用于衡量解释度的评估度量标准，从而帮助实践者了解每种评估度量标准适用于哪些场景。

    Mar, 2020

  • 通过因果归因解释视觉模型

    本文提出了基于干预因果模型的解释方法来计算特征变化对输出的影响，从而得到新的样本。同时也发现在生成图像方面当前模型的局限性。

    Sep, 2019

  • 利用不确定性感知模型识别因果推断失败

    在高维数据领域，我们提出了一种将不确定性估计融入到个体层面因果估计中的实用方法，这种方法能够优雅地处理 “没有重叠” 的情况，并在实际应用中处理协变量转移，既能避免过度自信，又可在预测不可信时提醒决策者，在处理方面超越其不关注不确定性的对应物。

    Jul, 2020

  • 可解释的深度因果学习用于调节效应

    本文介绍一种新的深度反事实学习架构，旨在解决因果机器学习模型中的可解释性和定向正则化问题，并演示了其在估计个体治疗效果方面的应用。

    Jun, 2022