Jun, 2023

曲率敏感模型的连续结果部分反事实识别

PDF
TL;DR本文提出了一种新的敏感度模型 —— 曲率敏感度模型，与传统方法相比，该模型可以实现连续结果的部分反事实证明，并且可以通过对函数的级集进行曲率限制来获得信息，同时还提出了一种 Deep generative model 模型，并通过实验证明了该方法的可行性。
counterfactual inferencestructural causal modelcontinuous outcomespartial counterfactual identificationcurvature sensitivity model
发现论文，激发创造
  • 对可逆潜在因果模型领域反事实的描述

    本文针对特定类型因果查询 - 领域反事实进行研究，提出了一种基于不同领域、环境生成数据集合的领域特定可逆潜在因果模型，并证明通过两个可逆函数可以将任何模型转化为等价模型，同时表明只允许干预最后 $k$ 个因果变量的算法可以提高反事实估计的模型准确性。

    Jun, 2023

  • 反事实上界的高效计算

    本文介绍了从结构因果模型获得置信网，通过 Credal 网络算法计算精确的反事实边界，提出了一种因果 EM 方案实现近似边界，评估了其精确度并通过关于姑息治疗的真实案例阐述了其实际应用。

    Jul, 2023

  • 反事实推论和个体治疗效果的合规推断

    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

  • 个体治疗效果的敏感性分析：鲁棒的符合推断方法

    提出了一种基于预测推断的模型自由框架，用于探究个体治疗效果的敏感性分析，特别关心了混杂因素强度量化和对于反事实的可靠预测推断。

    Nov, 2021

  • 反事实和合成控制的精确稳健的符合性推断方法

    介绍了针对政策评估的反事实和合成控制方法的新推断过程。将因果推理问题重新表述为反事实预测和结构性断裂检验问题，并开发置换推断过程以适应现代高维度估计器，能在弱和易验证的条件下有效地进行，并证明了对错误说明的稳健性。本方法可以与许多不同的方法结合使用，用于在没有政策干预的情况下预测反事实均值结果。我们的方法在模拟中表现出优秀的小样本性能，并进行数据应用，重新评估取消室内卖淫的后果。

    Dec, 2017

  • 衡量反事实图像模型的公理准确性

    本研究提出了一个用于评估图像反事实的通用框架，使用深度生成模型学习结构因果模型，重新审视 Pearl 关于反事实公理定义的约束以确定对任何反事实推理模型的必要约束：组合性、可逆性和有效性，并且使用这些约束对反事实进行限制，从而得到了近似函数和理想函数间的距离度量，展示了如何使用这些度量来比较和选择不同的近似反事实推理模型，并揭示模型的不足和权衡。

    Mar, 2023

  • 隐藏混淆下的共形反事实推断

    个性化决策需要对不同处理方法下的潜在结果有所了解，并且关于潜在结果的置信区间能够丰富决策过程并提高其在高风险场景下的可靠性。本研究提出了一种基于推断加权拟合预测的新方法 wTCP-DR，他能够在存在隐性混淆的情况下提供对反事实结果的置信区间，并具备边际收敛保证。通过访问部分干预数据，我们的方法能够解决观测分布和干预分布之间的协变量转移问题。理论结果明确表明了我们的算法相对于只使用干预数据的朴素方法的条件优势。在确保反事实置信区间有效之后，构造个别处理效应的区间是直接的。我们通过合成数据和真实世界数据验证了我们的方法的优越性，其中包括推荐系统，并与现有最先进方法进行了比较，结果在覆盖率和效率两方面都表现出优势。

    May, 2024

  • 通过分位数回归推进相对论推断

    该论文旨在通过使用神经网络将反事实推理重新构建为扩展的分位数回归问题，依据已学习的定性因果结构和观测数据进行可靠的反事实推理，而不需要给定因果模型甚至直接估计条件分布，并且该方法比现有方法在统计上更有效，同时也有可能将所估计的反事实结果的泛化能力扩展到看不见的数据，并提供泛化误差的上限界限。实验结果在多个数据集上强烈支持我们的理论 claims。

    Jun, 2023

  • 反事实分布的推断

    基于回归方法，我们开发了建模和推断计数事实分布的工具，并构建了置信区间用于检验计数事实的功能假设，应用到美国数据的实证分析中，同时引入了分布回归作为建模方法，这个方法不仅全面灵活，而且对于建立稳健分布回归进程及各种相关的功能，我们建立了中心极限定理和引导验效果。

    Apr, 2009

  • 具有类别背景变量的深度反事实估计

    本文介绍了一种基于 CounterFactual Query Prediction（CFQP）方法的结构方程模型来推断因果关系以及深度学习的应用，使用这种方法能够可靠地预测反事实因果关系。

    Oct, 2022