Jun, 2023

异质决策者下的选择性标签学习：一种工具变量方法

PDF
TL;DR本文针对部分标注的学习问题进行研究，提出了一种基于工具变量框架的加权学习方法，分析了预测规则全人群风险的端点识别条件，并在半合成金融数据集上进行了实验，证明了方法在选择偏差存在时具有更优异的性能。
selectively labeled datahistorical decision-makinginstrumental variable (iv) frameworkrisk boundsweighted learning approach
发现论文，激发创造
  • 专家一致性存在下的有选择标签学习

    本论文探讨选择性标签下算法辅助决策学习的问题，介绍为什么标准方法无法有效处理选择性标签的普遍选择偏误问题，提出了一种数据增强方法，既可以利用专家一致性减轻选择性标签导致的部分盲目性，也可以经验验证学习是否会导致易受系统性歧视的不可靠模型。

    Jul, 2018

  • 通过双机器学习学习决策策略的工具变量

    利用双 / 去偏机器学习框架设计的 DML-IV 算法，有效减小两阶段 IV 回归中的偏差并学习高性能策略。

    May, 2024

  • 使用深度生成模型的条件工具因果推断

    本文提出了一种基于深度生成模型的数据驱动方法，用于从含有潜在混淆因素的数据中学习条件工具变量及其调节集的信息表示，并实现平均因果效应估计。通过大量的合成和实际数据实验，证明该方法优于现有的 IV 方法。

    Nov, 2022

  • 因果推断与机器学习中的工具变量方法：一项调查

    介绍和讨论 IV 方法及其在因果推断和机器学习中的应用，主要包括两阶段最小二乘法、控制函数和 IV 评估；总结了实际应用场景中的数据集和算法，并讨论了未来研究的方向和问题。

    Dec, 2022

  • 利用独立仪器：鉴别和分布泛化

    介绍了一种基于 HSIC-X 工具的因果推断方法，该方法能够在考虑隐藏共变量的情况下，利用独立性进行精确推断，并在分布变化时具有不变性和最优性。

    Feb, 2022

  • 数据融合学习工具变量进行治疗效果评估

    本文提出了一种名为 Meta-EM 的统一框架，以重构源标签并将其建模为组工具变量 (GIV)，从而实现基于仪器变量回归的治疗效应评估，该框架通过将原始数据映射到表示空间中以构建线性混合模型来估计分配治疗变量的分布差异和建模 GIV，并采用交替训练策略来迭代优化表示和联合分布以模拟 GIV 进行 IV 回归。实证结果表明，与最先进的方法相比，我们的 Meta-EM 具有优势。

    Aug, 2022

  • 学习条件工具变量表示以进行因果效应估计

    利用分离表示学习的优势，提出了一种名为 DVAE.CIV 的新方法，用于从具有潜在混淆因素的数据中学习和分离 CIV 和其条件集的表示，并进行因果效应估计。对合成和真实世界数据集的广泛实验结果表明，与现有的因果效应估计方法相比，所提出的 DVAE.CIV 方法具有卓越的性能。

    Jun, 2023

  • 利用泄漏工具限定因果效应

    通过使用一个允许一定程度上违反排除性准则的泄露工具集合，我们提出了一种在线性模型中进行部分识别的新方法，其通过凸优化目标为平均处理效应提供可靠的下确界，并实现推断程序以量化结果估计的不确定性。

    Apr, 2024

  • 使用工具进行异质性处理效果的机器学习估计

    本研究使用有效的工具变量来考虑具有任意机器学习方法的异质性处理效应估计，并减少了问题到最小化一个适当的损失函数（依赖于一组辅助模型，每个模型对应一个独立的预测任务）的规模。

    May, 2019

  • 半参数工具变量法在内生性下最优治疗方案的研究

    提出了一种基于工具变量的方法，通过二进制工具变量帮助确定无未测混杂作用的最优治疗方案，同时构造了新型的多重稳健分类估计器，该方法通过对育儿对劳动参与的影响数据的应用进行了说明。

    Nov, 2019