通过分位数回归推进相对论推断

Jun, 2023

Advancing Counterfactual Inference through Quantile Regression

Shaoan Xie, Biwei Huang, Bin Gu, Tongliang Liu, Kun Zhang

TL;DR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。

Abstract

The capacity to address counterfactual "what if" inquiries is crucial for understanding and making use of causal influences. Traditional counterf

counterfactual causal influences quantile regression neural networks generalization ability

发现论文，激发创造

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

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

基于概率因果模型的高保真图像反事实

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

在不确定性下对反事实干预进行估计

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

关于向量自回归模型中的反事实干预

我们介绍了向量自回归（VAR）过程中反事实推理的问题，并将因果模型的推断形式化为联合回归任务，使用有和无干预的数据来进行推断。在学习模型之后，我们利用 VAR 模型的线性性质对反事实干预的效果进行精确预测，同时量化了过去反事实干预的总因果效应。该项目的源代码可以在此网址免费获取。

Jun, 2024

从观测、偏见和随机数据学习界定反事实推断

本文介绍一种方法，通过数据整合和建立结构性因果模型，在不同条件下解决由选择偏差引起的局部统计问题，并针对数据集的部分可识别性问题提出了一种逼近计算方法。通过系统的实验验证和实例研究，证明了这种方法的可行性和准确性，并揭示了数据整合对于信息界的提高具有积极的作用。

Dec, 2022

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

用概率图模型进行反事实推理以分析社会生态系统

因果推理和反事实推理是数据科学中的新兴方向，尤其适用于通常无法获取实验数据的环境和生态科学领域。本文提出了一个在社会生态系统领域内边界不可识别查询的新技术，并发现传统统计分析方法无法揭示变量之间的关系本质，其中反事实推理变得非常有价值。

Jan, 2024

结构模型中的反事实和政策分析

本文介绍了一种基于结构模型表示的因果模型的对反事实查询（例如，“如果 A 为真，C 会成为真吗？”）进行重新评估的方法，这是一种非线性概括，用于评估涉及控制变量的政策。

Feb, 2013

学习针对事实推断的表征

本文提出了一个新的算法框架来回答反事实问题，其将领域适应和表示学习的思想结合起来，并通过实证比较表明，我们的深度学习算法显著优于以前的现有技术，可以用于处理各种领域的观察研究数据的因果推断问题。

May, 2016