通过生成对抗网络对连续处理进行因果推断的解缠表示学习

Jul, 2023

通过生成对抗网络对连续处理进行因果推断的解缠表示学习

De-confounding Representation Learning for Counterfactual Inference on Continuous Treatment via Generative Adversarial Network

PDF

Yonghe Zhao, Qiang Huang, Haolong Zeng, Yun Pen, Huiyan Sun

TL;DR我们提出了一种用于连续治疗的去混淆表示学习 (DRL) 框架，通过生成与治疗变量解耦的协变量表示来进行反事实结果估计。该框架是一个非参数模型，能够消除治疗与协变量之间的线性和非线性依赖关系，并在模型中嵌入了反事实推理网络以实现去混淆和可信的推理。在合成数据集上广泛实验表明，该 DRL 模型在学习去混淆表示方面表现卓越，并且胜过了针对连续治疗的最先进的反事实推理模型。此外，我们将该 DRL 模型应用于实际的医疗数据集 MIMIC，并展示了红细胞宽度分布与死亡率之间的详细因果关系。

Abstract

counterfactual inference for continuous rather than binary treatment variables is more common in real-world causal inference tasks. While there are already some sample reweighting methods based on Marginal Structural Model for eliminating the confounding bias, they generally focus on r

counterfactual inference continuous treatment de-confounding representation learning non-parametric model red cell width distribution

发现论文，激发创造

DRTCI：学习分离表示从而实现时间因果推断

该研究介绍了一种对患者数据历史信息的循环表示进行对抗训练，以处理时间变量混淆问题的方法，同时将协变量表示分离成影响治疗选择、影响患者结局以及两者影响的各独立要素，致力于隔离选择偏差并限制平衡努力，从而避免不必要的协变量平衡。

Jan, 2022

连续治疗效果估计的对抗平衡表示

通过对抗对照回归网络（ACFR）以 KL 散度为度量标准对数据集进行平衡，利用注意机制保持治疗价值对结果预测的影响，理论上证明 ACFR 的目标函数是反事实结果预测误差的上界，并在半合成数据集上实验评估中证明了 ACFR 相对于一系列其他最新方法的优越性。

Dec, 2023

异质剂量 - 反应曲线估计的对比平衡表示学习

对于决策制定来说，估计个体对不同治疗剂量的潜在反应至关重要，尤其在精准医学和管理科学领域。本文通过学习与治疗变量独立的协变量表示来预测反事实结果，然而，这种独立性约束忽略了对于反事实预测有用的大量协变量信息，特别是在治疗变量是连续的情况下。为了解决这个问题，本文首先从理论上证明了平衡和预测表示在无偏估计异质剂量响应曲线方面的重要性，即学习得到的表示需满足协变量与两个治疗变量及潜在反应之间的条件独立性。基于此，我们提出了一种新颖的对比平衡表示学习网络，使用部分距离度量，称为 CRNet，用于估计异质剂量响应曲线，同时不丢失治疗剂量的连续性。我们在合成和真实世界数据集上进行了广泛实验，证明了我们的方法显著优于之前的方法。

Mar, 2024

学习分解表示以进行因果推断

该研究提出了一种基于 “协同学习” 框架的方法来识别混淆变量并通过样本重新加权技术与反事实推理方法同时准确估计处理效应。

Jun, 2020

解离潜在表示学习用于解决因果推断中的混淆 M - 偏倚问题

通过从代理变量学习潜在表示来调整混淆偏差和 M 偏差，我们提出了一种用于无偏因果效应估计（DLRCE）的新型解缠的潜在表示学习框架。实验证明 DLRCE 在同时存在混淆偏差和 M 偏差的情况下显著优于最先进的估计器。

Dec, 2023

抗混淆影响的稳健因果图表示学习

本文提出一种强化图表示学习模型鲁棒性的方法 - Robust Causal Graph Representation Learning（RCGRL），通过生成工具变量来消除图中干扰因素和混淆变量，同时保证了理论上的有效性，并在多个基准数据集上进行了实验，证明了该模型的预测性能和泛化能力均优于现有方法。

Aug, 2022

消除伪关联中的去偏性反事实

在这项工作中，我们介绍了第一个端到端训练框架，该框架同时整合了（i）用于避免附着在假象相关性上的流行去偏置分类器（例如分布鲁棒优化（DRO））和（ii）用于揭示与任务相关的可推广成像标记的反事实图像生成。此外，我们提出了一种新的度量标准，即假象相关性附着分数（SCLS），用于量化分类器依赖假象相关性的程度，该程度由反事实图像揭示。通过对两个公共数据集进行全面实验（包括模拟和真实视觉伪迹），我们证明了去偏置方法：（i）能够学习到可推广的标记，并且（ii）成功忽略假象相关性，专注于潜在的疾病病理。

Aug, 2023

通过对抗平衡表示估算随时间变化的因果治疗结果

介绍了一种新的序列到序列模型 —— 对立逆向网络，该模型利用患者日常观察数据，通过对领域敌对训练来处理时间变化混杂物的偏见，以可靠地作出反事实预测。在肿瘤生长的模拟模型中，比目前最先进的方法在估计反事实和选择正确的治疗和治疗时间方面实现了更低的误差。

Feb, 2020

学习反事实表示以估计个体剂量 - 反应曲线

本文通过机器学习方法和神经网络构建一个新的潜在结果框架，通过表现指标、模型选择标准、模型架构和基准实验估算个体剂量反应曲线，确定在估算个体剂量反应方面的最新技术水平。

Feb, 2019

表示插值的反事实对抗学习

本文提出了一个基于因果关系的 Counterfactual Adversarial Training 框架（CAT），通过对单个样本生成对应的反事实表示，动态调整样本特有的损失权重，以此鼓励模型探索真实的因果关系，实现在句子分类、自然语言推理和问答等领域的显著性能提升。

Sep, 2021