本文提出了一种潜变量方法,用于模拟异质性治疗效果,并演示其在多个大型随机对照试验中发现个体可操作表型的能力。
Feb, 2022
本篇研究提出了一种基于符合性推断的方法,用于在潜在结果框架下产生反事实和个体治疗效果的可靠区间估计,适用于完全随机或分层随机试验,以及遵循强忽略性假设的一般观测研究。同时,该方法在机器学习算法的条件平均治疗效应估计上表现出了良好的优势。
Jun, 2020
提出了一种基于深度变分贝叶斯框架的新方法,利用个体特征和与受试者类似的人对处理结果分布的信息来估计个体在反事实处理下的结果。
Sep, 2022
本文提出了一种新方法来解决选择偏差的问题 —— 通过学习两组潜在的随机变量,一组对应导致选择偏差的变量,另一组对于预测结果非常重要,进而通过 Pearson 相关系数去降低它们的关联度,从而得以显式地减轻选择偏差。实验结果表明,该算法能够取得最先进的性能,并提高其没有显式建模选择偏差的对应算法的结果。
Dec, 2019
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
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
本研究提出了一种利用线性时不变动力系统和高斯过程,能够弥补观察数据中剂量级别变化以及不定期观测的不足的方法,能够更加准确地进行多变量数据的建模和预测。
Apr, 2017
该论文提出了一种生成利用条件生成模型来生成稀疏的、在分布中反事实模型解释的通用框架,可适用于不同模态的数据,并说明了该方法在图像、时间序列和混合类型表格数据上的有效性。
Jan, 2021
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
我们提出了一种方法,通过利用原始高维空间的鲁棒一维潜在子空间,并利用在该空间上的单变量因果模型的高效估计,同时减轻了多变量因果模型中存在的问题,从而捕捉了相关结构并产生了反事实分布的良好估计。
Nov, 2023