KDDJun, 2023

学习条件工具变量表示以进行因果效应估计

PDF
TL;DR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。
causal inferenceinstrumental variableconfounding biasrepresentation learningcausal effect estimation
发现论文，激发创造
  • 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

  • 条件工具变量回归与表示学习用于因果推断

    本文研究了在存在未观察到的混淆因素的情况下，从观察数据中估计因果效应的复杂问题。我们使用条件性工具变量（CIV）来缓解标准工具变量方法中的无混淆工具变量条件，并提出一种基于混淆平衡表征学习的非线性 CIV 回归，CBRL.CIV，以非线性情况下共同消除未观察到的混淆因素的混淆偏差并平衡观察到的混淆因素，无需线性假设。我们从理论上证明了 CBRL.CIV 的合理性。对合成数据集和两个实际数据集进行的大量实验证明了 CBRL.CIV 与最先进的基于工具变量的估计器相比的竞争性能以及在处理非线性情况方面的优越性。

    Oct, 2023

  • Auto IV: 自动仪器变量分解实现反事实预测

    本文提出了一种名为自动工具变量分解（AutoIV）算法来从观测变量（IV 候选变量）中自动生成具有 IV 角色的表达形式，通过最大化和最小化互信息约束来满足与处理和结果相关性和排除条件，以学习混淆因子及竞争信息以获得 IV 角色的表征，进而为基于 IV 的反事实预测生成有效的 IV 表征。

    Jul, 2021

  • 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

  • 具有（某些）无效工具的有效因果推断

    本文提出一种方法，使用多个工具变量估计器计算最可能的因果效应，从而在不依赖于「排除假设」的情况下进行一致的工具变量估计。

    Jun, 2020

  • 从观测数据中发现祖先工具变量进行因果推断

    本文提出一种基于部分祖先图的数据驱动算法用于发现有效的工具变量，并在合成数据和真实世界数据集上进行实验证明其对因果效应估计的准确性优于现有基于工具变量的因果效应估计方法。

    Jun, 2022

  • 祖先仪器方法用于因果推断，无需因果图

    本文提出了一种基于最大祖先图 (MAG) 的新型工具 —— 祖先工具变量 (ancestral IV)，并通过理论与算法探讨，实现了从观测数据中自动发现祖先 IV 特征值并进行无偏因果效应估计的方法。实验结果表明，该方法能够在合成数据和实际数据集上比已有 IV 方法表现更好。

    Jan, 2022

  • 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

  • 利用解缠的潜在因素进行治疗效果估计

    该研究提出了一种基于变分推断的方法，以同时识别观察变量中的潜在非混杂因素，并为处理效应估计提供更好的数据学习。

    Jan, 2020

  • 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