Sep, 2023

基于网络数据的因果效应估计与不确定性预测

PDF
TL;DR通过不确定性感知的图深核学习（GraphDKL）框架和 Lipschitz 约束来建模预测不确定性，并识别不可靠的估计，提出了一种更加可靠的因果效应估计方法。GraphDKL 是第一个处理图形因果效应估计中正性假设违反的框架。通过广泛的实验，我们证明了在网络数据上进行不确定性感知的因果效应估计中，我们提出的方法的优越性。
networked observational datacausal effect predictionspositivity/overlap assumptionuncertainty-aware graph deep kernel learninguncertainty-aware causal effect estimation
发现论文，激发创造
  • 利用不确定性感知模型识别因果推断失败

    在高维数据领域，我们提出了一种将不确定性估计融入到个体层面因果估计中的实用方法，这种方法能够优雅地处理 “没有重叠” 的情况，并在实际应用中处理协变量转移，既能避免过度自信，又可在预测不可信时提醒决策者，在处理方面超越其不关注不确定性的对应物。

    Jul, 2020

  • 关于单前向传递不确定性的特征折叠和深度核学习

    通过引入双 Lipschitz 约束，Deep Kernel Learning (DKL) 相对距离的保留提高了不确定性的估计质量。

    Feb, 2021

  • 图数据上的不确定性感知半监督学习

    本文提出了使用 GNN 的多源不确定性框架，反映了深度学习和信念 / 证据理论领域中各种类型的预测不确定性，以进行节点分类预测。该框架通过从训练节点给定标签收集证据，设计了基于图的核狄利克雷分布估计 (GKDE) 方法，准确预测节点级狄利克雷分布，并检测超出分布的节点，该模型在六个真实网络数据集上表现优于现有模型，并提供了理论证明解释此结果背后的原因。

    Oct, 2020

  • 基于图神经网络的双机器学习估计网络因果效应

    我们的研究论文利用图神经网络和双机器学习的新方法，结合社交网络，有效地推断出因果效应，并证明该估计器在因果效应估计中具有良好的性能。

    Mar, 2024

  • 数据稀缺条件下的图挖掘

    我们的研究提出了一个不确定性估计框架，可应用于任何泛化图神经网络（GNN）的基础网络上，以提高节点分类性能。该不确定性估计器模型是一个神经网络，将不确定性建模为概率分布而非离散的概率标量值。通过在 $n$ 路 $k$ 样本方式下进行训练，我们的方法在少样本学习设置中提高了分类准确率，而无需特定的元学习架构。在多个数据集和不同 GNN 基础网络上进行的实验证明了不确定性估计器对于带有 GNN 的少样本节点分类的有效性。

    Jun, 2024

  • 深度学习不确定性估计的通用框架

    提出了一种用基于贝叶斯信任网络和蒙特卡罗采样的方法来对神经网络进行不确定性估计，这个方法具有与神经网络结构和任务无关，不需要优化进程的更改，能够应用于已经训练好的结构，有效地提高了准确性。

    Jul, 2019

  • 用于图神经网络的准确可扩展的认知不确定性估计

    我们提出了 G-DeltaUQ，这是一个新的训练框架，旨在改进图神经网络的内在不确定性估计，通过独特的图锚定策略适应图数据，从而在节点和图分类中实现更好的标定准确度。

    Jan, 2024

  • 高斯过程网络中的贝叶斯因果推断

    在高斯过程网络（GPN）模型中进行贝叶斯估计来推断多步骤干预效应，通过模拟整个网络中干预的影响并传播到下游变量，以及使用高斯过程建模条件分布来估计干预分布，进一步考虑到因果结构不确定性。结果表明，该方法能够识别非高斯、非线性的观测数据中假设干预的效果，并准确反映因果估计的后验不确定性。

    Feb, 2024

  • 深度核学习的前景和风险

    研究深核学习在处理真实数据时可能存在的过拟合问题及其原因，使用 UCI、CIFAR-10 和 UTKFace 三个数据集进行实验验证。发现过度最大边缘似然优化可能会导致严重的过拟合问题，并通过完全贝叶斯方法得到了更好的性能提升。

    Feb, 2021

  • 图神经网络用于治疗效果预测

    使用图神经网络结合节点回归和消息传递机制，结合收集训练数据的策略，在大规模电子商务数据中实现对有限标记样本的因果效应估计。

    Mar, 2024