采用定量化理论方法来优化研究关键效应,学习给定不连续变量的因果效应大小,并应用动态规划来设计不连续性的最佳量化,以平衡效应大小中的收益和损失
May, 2023
本文提出一种新的核平滑方法,可以在不需要参数模型的情况下,对连续治疗(如剂量)进行因果效应估计,并允许处理密度或结果回归的错误规范。方法经过了模拟证明,并应用于护士人员配备对医院复诊惩罚的研究中。
Jul, 2015
本文提出了一种非实验设置下绘制因果关系的方法,并展示了一个广义倾向得分估计器,该估计器允许我们估计连续治疗的直接效应和溢出效应,并研究了溢出效应如何塑造农业市场政策干预的最优水平。结果表明,在这种情况下,忽略干扰可能会导致在评估政策有效性时出现向下偏差。
Apr, 2020
本文提出了一种基于深度神经网络,并以生存分析为灵感的 hazard function-based loss function 的实用预测框架,用于预测广告创意的中止,并成功地将其与传统方法进行了比较和验证。
Apr, 2022
本文提出了一种基于连续处理效果边际敏感模型 (CMSM) 的方法,该方法结合了可扩展的算法和深度模型,用于估算高维大样本观测数据的不确定性并识别潜在干扰变量,以进一步理解当假设被放松时因果估计所引入的忽略误差,并将其应用于气候科学中由人类排放对云特征的影响的研究。
本研究提出了一种利用线性时不变动力系统和高斯过程,能够弥补观察数据中剂量级别变化以及不定期观测的不足的方法,能够更加准确地进行多变量数据的建模和预测。
Apr, 2017
本文介绍了一个最小性标准,用于针对 SBV 上的 Mumford-Shah 函数及其它非凸变分积分中的表面和体积项。该方法提供了几个最小性结果的简短且简易的证明。
May, 2001
基于回归方法,我们开发了建模和推断计数事实分布的工具,并构建了置信区间用于检验计数事实的功能假设,应用到美国数据的实证分析中,同时引入了分布回归作为建模方法,这个方法不仅全面灵活,而且对于建立稳健分布回归进程及各种相关的功能,我们建立了中心极限定理和引导验效果。
Apr, 2009
本篇论文通过建立时间连续的结构嵌套模型,提出可以在时间相关性干扰存在下,估算时间变化的治疗效应的概念框架和形式化方法,同时表明这样的估算器是准确和渐近正常的。
Oct, 2004
本研究提出了一种新的基于深度学习的无监督方法,用于从 IoT 数据中映射出可解释的状态和转换。经过大量实验表明,该方法优于现有技术,并学习更微妙的断点边界。
Jan, 2018