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
本文提出了一种基于置信传播的方法,通过在满足证据的所有因果模型中搜索来推导一个目标因果量的上下界,同时确保因果模型的边缘与数据相容,而不必构建一个全局因果模型,从而提出一种新的局部一致边缘的集合,称为因果边缘多面体。
Feb, 2022
本文分析了 “弱混淆” 的因果估计结果,提出了一种有效的线性规划方法来确定因果效应的上下界,并展示了与现有方法相比更紧密的界限,这些方法不能纳入熵限制。
Jun, 2023
预测未见干预的效果是数据科学中的一个基本研究问题。本文采用了部分祖先图(Partial Ancestral Graph)作为输入,提供了一种可以在数据驱动环境下计算因果效应界限的系统算法。
Nov, 2023
该研究论文提出了一种利用约束编程方法结合先前知识和理论洞见的实用方法,从而解决了时间序列数据中因果学习算法估计的图形结构提供高度误导性因果信息的问题,并且可以扩展到大型随机变量集合,并不需要精确知道时间尺度差异。
May, 2022
基于泛化界限的理论,我们提出了一种基于改变度量不等式的全新方法,能够紧密地将模型损失与人口中治疗倾向的偏差联系起来,并证明其在有限样本上的有效性,即使在隐性混杂因素和阳性违反的情况下也能成立。我们在半合成和实际数据上验证了我们的界限,展示了其出色的紧密性和实际效用。
May, 2024
本研究探讨了在一般情况下难以计算的无穷维空间线性规划问题,通过采用随机优化和一阶方法等新兴发展,将其近似为易于处理的有限凸规划,同时在长期平均成本和折抵成本最优控制问题上,展示了理论研究的适用性和泛化性。
Jan, 2017
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
本研究提出一种名为 “混淆毯原则” 的结构假设,使得我们设计的因果关系推断算法能够适用于高维数据,同时保持多项式复杂度。我们演示了我们的方法在模拟和真实数据集上的运作,包括一个用于线性和非线性系统的推断过程和有限样本误差控制。
通过数据集成、反事实计算和因果推断方法,我们的研究对于解决具有选择偏差的数据集以及多个数据集之间的整合问题提出了有效的解决方案。