May, 2023

多中心临床研究中的缺失数据因果发现

PDF
TL;DR本研究使用多中心子宫内膜癌的数据分析不同缺失机制对因果图的影响，通过扩展最先进的因果发现算法来利用专家知识，验证得到的图形的良好拟合度和一致性。
causal inferenceobservational datamissing valuescausal discovery algorithmsendometrial cancer
发现论文，激发创造
  • 基于观察型医疗数据的可迁移因果网络模型

    基于人工智能技术的预测模型在医疗保健领域得到广泛应用。本文提出了一种新方法，将选择图、缺失图、因果发现和先前知识结合成一个图形模型，用于评估乳腺癌幸存者的青少年女性的心血管风险。该模型通过专家临床医生的验证，在风险评估、准确性和可解释性方面胜过竞争的机器学习方法。

    Nov, 2023

  • 缺失数据情况下的因果发现

    本文提出了 MVPC 算法，可用于发现具有不同缺失机制的观察数据中的基础因果结构，其缺失机制由失踪图表示，并提出了附加的纠正操作，以推导完整数据中的条件独立性 / 依赖关系。经实验证明，所提出的算法在 MAR 或 MNAR 数据下也能给出正确的结果，并且在神经病理性疼痛诊断记录和其他两个真实世界应用中表现优异。

    Jul, 2018

  • 从不完整数据学习循环因果模型

    在本研究中，我们提出了一种名为 MissNODAGS 的新框架，用于从部分缺失的数据中学习循环因果图。通过合成实验和真实的单细胞干预数据，我们证明在部分缺失的干预数据上使用最先进的填充技术后进行因果学习相比之下，MissNODAGS 表现出更好的性能。

    Feb, 2024

  • 不完整观测数据的因果效应联邦学习

    通过分散的不完整数据源进行联邦因果推断，估计多个分散的不完整数据源中的因果效应。该方法使用丢失数据的条件分布来识别因果关系，并估计缺失随机假设下的更高阶统计量，同时回答隐私风险。通过模拟和真实世界示例的集合验证了该方法的功效和实用性。

    Aug, 2023

  • 算法公平中建模数据缺失的重要性：因果视角

    本文使用因果图的方法，研究了机器学习中缺失数据的情况对公平性算法的影响，提出了一个算法可在多阶段决策中实现分散决策的同时保持性能相似。

    Dec, 2020

  • 缺失数据的图模型中完全法律鉴定结果

    本文提供了有关缺失数据如何影响各个领域（如医疗保健，经济学和社会科学）中所进行的分析的方法，同时介绍了一种通过概率分布来因式分解目标分布和其缺失过程的无偏推断方法，以及一些特定图形条件和证明的完整性。同时，还扩展了这些图形条件和完整性证明的设置，以解决由缺失数据和未测量混淆引起的问题。

    Apr, 2020

  • 探究存在未观测混杂因素和非高斯数据的因果发现

    从多元观测数据中恢复因果关系结构，方法基于线性结构方程模型，可有效处理潜在混淆，并可通过无弓有向无环路径图恢复精确的因果结构。

    Jul, 2020

  • 在潜在混淆因素存在的情况下从不定数据中学习恢复因果关系

    本文提出了一种称作混淆分离因果发现算法（Confounding Disentanglement Causal Discovery，简称 biCD）的方法，通过使用因果强度变分模型，将潜在变量作为中介变量来解决存在潜在变量的非确定数据情形下的因果关系发现问题。我们将结果用合成和实际数据进行了验证，证明了该方法的有效性。

    May, 2023

  • 适应性在线实验设计用于因果推断

    在线学习中基于干预样本历史的分离图系统相匹配的追踪停止因果发现算法优于现有方法，通过较少的样本实现更高准确性的因果图学习。

    May, 2024

  • 非目标干预下的因果发现

    该研究论文提出了一种基于随机干预的因果发现模型，通过最小化干预次数来解决因果发现问题，提供了多对数竞争比的近似算法，并给出了一些初步实验结果。

    Feb, 2024