Jun, 2023

多维和间接观察中介变量的因果中介分析

PDF
TL;DR提出了一种基于可识别 VAE 体系结构的 CMA 框架，可以处理复杂的和间接观测到的中介变量，并在合成和半合成实验中提供准确的效应估计，为实际应用提供证据。
causal mediation analysisindirectly observed mediatorsidentifiable variational autoencoderdirect and mediated effectsbrain measurements
发现论文，激发创造
  • 具有隐变量的因果介入分析

    本文提出了一种基于深度学习和代理策略的因果中介分析方法，能够同时揭示隐藏混淆变量和估计因果效应，在观察性研究中有很好的应用前景，可用于处理因果公平性问题。

    Feb, 2021

  • 将因果分析融入多样化和逻辑回复生成中

    本文研究了 Conditional Variational AutoEncoder（CVAE）生成回答时常常与原问题不相关或缺乏逻辑性的原因，并提出了一种寻找中介变量和缓解对话中混淆偏差的方法。在此基础上，提出了动态话题图引导的条件变分自动编码器（TGG-CVAE）模型，用于补充语义空间并减少响应中混淆偏差。实验证明，所提出的模型能够生成相关且信息量丰富的回答，并在自动评估和人类评估方面优于现有的最先进模型。

    Sep, 2022

  • 使用深度潜变量模型推断因果关系效应

    利用潜在变量建模来解决处理混淆因素以从观测数据中获取个体级因果关系的问题，该方法基于变分自编码器，效果显著优于现有方法且可达到同类方法的最佳水平。

    May, 2017

  • 通过点过程进行时间因果中介：卫生保健干预的直接和间接效应

    本研究提出一个非参数中介－结果模型，假定中介是一种时间点过程，该模型能够在非规则采样的时间序列中估计干预的直接和间接效应，为医疗数据分析提供帮助。

    Jun, 2023

  • 中介分析的图形模型

    本文研究中介效应分析的路径特定效应识别策略，并提出了一种通用的非参数结构方程模型。

    Jan, 2018

  • 因果中介分析的半参数理论：效率界限、多重稳健性和敏感性分析

    本研究开发了一个半参数框架，以获取关于所谓的边际自然直接和间接因果效应的推论，同时适当考虑曝露和中介变量的大量先前混淆因素，尤其是在中介分析方面提出了增量稳健的本地有效估计量和一种新的双重稳健灵敏度分析框架。

    Oct, 2012

  • 具有未观测混杂因素的纵向中介分析的反事实图模型

    该研究论文讨论了介导分析的因果效应、参数方法以及对反事实框架的一般性应用。

    May, 2012

  • 利用中介分析强化学习因果变量

    采用因果分析方法构建强化学习智能体的新策略，通过学习简单的因果图，利用中介分析技术来获得优化目标并最小化代价函数，估计条件期望以及广义贝尔曼方程进行训练维护环境的因果关系，并取得显著改善

    Oct, 2020

  • 因果动态变分自编码器用于纵向数据的对因回归

    在精确医学、流行病学、经济和市场等多个领域中，估计随时间变化的治疗效果是相关的。本研究提出一种基于未观察到的风险因素的个体治疗效果估计方法，结合动态变分自动编码器 (DVAE) 框架和使用倾向得分的加权策略，准确估计反事实回应和捕捉纵向数据中的潜在异质性。我们的模型在最新技术模型上展现出卓越性能。

    Oct, 2023

  • 分解伪变化的因果框架

    本文发展了形式工具，用于在马尔科夫和半马尔科夫模型中分解虚假变异。我们证明了首个允许非参数分解虚假效应的结果，并提供了识别这种分解的充分条件。所述方法有多个应用，从可解释和公平的 AI 到流行病学和医学问题，并在真实世界数据集上证明了其用途。

    Jun, 2023