本文提出使用传输学习算法和因果推断理论相结合的方法来估算异质性治疗效应,并在大规模选民说服实验和 MNIST 数据库上进行了模拟研究,结果表明该方法能够以更好的性能和更少的数据使用量超越现有的基准算法。
Aug, 2018
本文研究了因果模型下的函数估计问题,进一步探讨因果知识对半监督学习、知识迁移和协变量转移等问题的影响,并通过实证结果支持了半监督学习的假设。
Jun, 2012
本文提出了一种自我监督学习方法,即可转移对比学习(TCL),其将 SSL 和所需的跨域可转移性紧密地联系起来,并通过特定的内存库和伪标签战略对源和目标之间的跨域内部类域差异进行惩罚
Dec, 2021
通过因果分析,本文章调查了高度可配置系统中因果效应和统计关系的可识别性和可传移性,并证实了因果效应可以高度可信度地在不同环境中传递。
Feb, 2019
通过算法稳定性研究 HTL 的学习理论,本文提供了一些条件下的学习保证和复杂度自由的泛化界限,揭示了迁移学习的优点并比较了不同场景下标准损失函数的行为,为从业者提供了有价值的见解。
May, 2023
我们提出了一种新的校正方法 - 使用约束学习框架和 C-Learner 方法 - 来解决复杂干扰参数估计错误,并在多个数据集上进行实证分析,展示了其在因果估计中的高效性和性能优势。
May, 2024
本文基于因果关系假设,将因果技术纳入预测建模中,提出一种新的因果正则化逻辑回归(Causally Regularized Logistic Regression,CRLR)算法,以共同优化全局混杂因素平衡和加权逻辑回归,以解决对假设的无知选择偏差对实际应用中的稳健模型学习的重要性问题。
Aug, 2017
该研究论文提出了一种基于因果学的传递学习方法,针对数据集中的子集进行预测,从而在领域泛化问题上取得了最优表现。
Jul, 2015
本研究提出了一种在线持续学习方法 CLER,通过等变性预处理任务进行自我监督,避免了 CSSL 技术的局限性,并与现有 OCL 方法轻松集成。重点探讨了等变性预处理任务对网络信息流的影响以及其对持续学习动态的影响。
我们研究了无监督异方差协方差估计的问题,其中的目标是学习给定观察值 x 的多元目标分布 N (y, Σy|x)。我们通过推导 TIC:Taylor Induced Covariance 来解决预测协方差是否能真正捕捉到预测均值的随机性的问题,并通过引入 TAC:Task Agnostic Correlations 度量来解决在没有基准注释的情况下如何评估协方差估计性能的问题。我们的实验证明 TIC 在准确学习协方差方面优于现有技术,并通过 TAC 进行了量化。
Oct, 2023