May, 2023

因果结构学习中的开放问题：以英国 COVID-19 为案例研究

PDF
TL;DR本文通过对 COVID-19 英国疫情数据的应用研究，探讨了因果机器学习算法的挑战，并评估了这些算法以及算法组性能的图形结构、模型尺寸、敏感性分析、混淆变量、预测和干预推断等方面的结果。最终，提出了因果结构学习的挑战和未来研究方向。
causal machine learninggraphical structurescovid-19structure learning algorithmssensitivity analysis
发现论文，激发创造
  • 因果结构学习

    本文研究了关于基于数据学习因果模型的结构学习算法，比较了它们在不同场景下的实验性能表现。

    Jun, 2017

  • 因果机器学习：调查和开放问题

    本文介绍了因果机器学习（CausalML）方法，该方法将数据生成过程形式化为结构性因果模型（SCM），并从因果的角度探讨了干预和反事实的影响，同时将该方法归类为五类：因果监督学习，因果生成建模，因果解释，因果公平性和因果强化学习，并比较了每种类别中的方法，包括在计算机视觉，自然语言处理和图形表示学习等不同领域的应用，提供了因果基准的概述，以及对该新兴领域现状的关键讨论和未来工作的建议。

    Jun, 2022

  • COVID-19 严重性解释和人口特征症状分类的贝叶斯网络和机器学习

    利用三阶段数据驱动方法，通过 COVID-19 症状和其内在人口变量的因果关系、相似性聚类和人口症状识别模型，揭示了病毒症状之间的关系，并为减轻病毒严重程度提供了见解。

    Jun, 2024

  • 医疗保健和精准医学的因果机器学习

    本文探讨了如何将因果推断融入临床决策支持系统，以及因果表示学习、因果发现和因果推理领域中的研究方向，以解决医疗应用中存在的高维非结构化数据处理、样本推广和时间关系等挑战。以 Alzheimer 病为例，展示了因果机器学习在临床场景中的优势。

    May, 2022

  • 医学影像分析学习算法因果关系评述

    本文探讨基于技术成熟度级别的因果分析方法在医疗图像分析中填补算法性能和可靠性方面的空白，并就基于因果性的方法在医疗图像 AI/ML 中的应用进行了综述，发现其具有减轻临床转化中的关键问题的潜力，但目前在临床下游研究中的应用尚有限。

    Jun, 2022

  • 用于因果发现的元强化学习算法

    本文中提出了一种利用元强化学习算法，通过学习干预变量的方法来进行因果发现并构建明确的因果图的方法，研究表明与现有最先进的方法相比表现出的结果更好，揭示了这种干预策略对于该方法性能的贡献。

    Jul, 2022

  • 探索结构学习算法在识别糖尿病患者干预风险因素中的有效性

    糖尿病的结构学习算法和因果路径的研究，通过转化输出图为因果贝叶斯网络，从一个多样的结构学习算法集合中获得独特的糖尿病因果模型，为医疗专业人员提供对相关风险因素与假设干预效果之间的交互作用的全面理解，以制定高效的干预和风险管理策略。

    Mar, 2024

  • 学习潜在结构因果模型

    本文提出了一种基于贝叶斯推理的方法，在低级别数据的情况下学习维度高、SCM 结构和参数未知的高级因果变量，从而实现对潜在 SCM 的推断和图像生成。

    Oct, 2022

  • 走向因果表示学习

    论文回顾了因果推断的基本概念，并将其与机器学习的关键问题联系起来，提出了因果表示学习的核心问题，并提出了机器学习和因果学研究领域的关键研究方向。

    Feb, 2021

  • 利用机器学习和自然语言处理方法来研究 COVID-19 研究的时间演变

    本研究通过多种数据源建立了多个机器学习模型对当前 COVID-19 研究场景进行了表征，包括识别潜在主题、分析出版物相似性和情感。结果表明 PubMed 和 ArXiv 中的研究类型存在显著区别，前者在 COVID-19 相关问题的多样性方面具有更大的多样性，后者则更关注预测 / 诊断 COVID-19 的智能系统 / 工具。研究团队对高危人群和并发症患者的特别关注也得到了证实。

    Jul, 2020