Oct, 2023

因果动态变分自编码器用于纵向数据的对因回归

PDF
TL;DR在精确医学、流行病学、经济和市场等多个领域中，估计随时间变化的治疗效果是相关的。本研究提出一种基于未观察到的风险因素的个体治疗效果估计方法，结合动态变分自动编码器 (DVAE) 框架和使用倾向得分的加权策略，准确估计反事实回应和捕捉纵向数据中的潜在异质性。我们的模型在最新技术模型上展现出卓越性能。
发现论文，激发创造
  • 基于解缠的因果效应变分自编码器的反事实公平性

    本文提出了一种名为 Disentangled Causal Effect Variational Autoencoder（DCEVAE）的方法，该方法利用因果推断和去除嵌入式敏感信息的方法对公平分类问题进行了改进，在生成对照组示例的同时成功区分了与干预相关但无因果关系的变量和由干预引起的信息。此外，DCEVAE 还提供了公平性正则化，减少信息损失生成自然对照图像。

    Nov, 2020

  • 基于变分自编码器的连续处理效应估计的解耦表示

    本文提出了一种利用变分自编码器（DRVAE）实现剂量响应曲线估计的新方法，通过将协变量分解为仪器因子、混淆因子、调整因子和外部噪声因子，从而在连续治疗情景下平衡分解的混淆因子，以实现治疗效果的估计。大量对合成和半合成数据集的实验结果证明，我们的模型优于当前的最先进方法。

    Jun, 2024

  • 使用变分自编码器与前门准则进行因果效应估计

    本文提出了使用前门标准和深度生成模型解决存在未观测混淆因素和中介因素的因果推断问题的方法 FDVAE，并在合成数据集和真实数据集上进行了试验。

    Apr, 2023

  • 具有条件前门调整和可识别变分自动编码器的因果推断

    从观察数据中估计因果效应是因果推断中一个重要且具有挑战性的问题，本文提出了条件前门调整（CFD）的概念，并通过可识别的变分自动编码器学习了 CFD 调整变量的表示，实验证明了 CFDiVAE 的有效性及其在处理未观察到的混淆变量时的优越性。

    Oct, 2023

  • 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

  • 去混淆的时间自编码器：使用噪声代理估计随时间变化的治疗效果

    该文提出了 Deconfounding Temporal Autoencoder (DTA) 的方法，通过利用观测到的噪声代理来学习反映真实隐藏混杂因素的隐藏嵌入，从而在利用最新的结果模型来控制隐藏嵌入的条件独立性的同时获得无偏估计的治疗效果个体化评估。

    Dec, 2021

  • 纵向变分自编码器

    该研究提出了一种称为长期 VAE（L-VAE）的方法，通过使用多输出加性高斯过程（GP）先验来扩展 VAE 的能力，从而实现在辅助协变量信息的约束下学习结构化低维表示， 以及导出了一种新的 KL 离散度上界。该方法可以同时适应时间变化的共享和随机效应，产生结构化低维表示，剥离个体协变量或其相互作用的影响，以及实现高度准确的预测性能。

    Jun, 2020

  • 将因果分析融入多样化和逻辑回复生成中

    本文研究了 Conditional Variational AutoEncoder（CVAE）生成回答时常常与原问题不相关或缺乏逻辑性的原因，并提出了一种寻找中介变量和缓解对话中混淆偏差的方法。在此基础上，提出了动态话题图引导的条件变分自动编码器（TGG-CVAE）模型，用于补充语义空间并减少响应中混淆偏差。实验证明，所提出的模型能够生成相关且信息量丰富的回答，并在自动评估和人类评估方面优于现有的最先进模型。

    Sep, 2022

  • 变分因果推断

    提出了一种基于深度变分贝叶斯框架的新方法，利用个体特征和与受试者类似的人对处理结果分布的信息来估计个体在反事实处理下的结果。

    Sep, 2022

  • 异质性时间和纵向数据的变分自编码器

    本文提出了用于处理异构数据的异构纵向变分自编码器，该模型通过建立生成模型和推断网络实现了高维数据的有效推断和处理，并使用连续、计数、分类和序数数据的似然模型来处理缺失值和实现预测。通过模拟和临床数据的实验验证了模型的有效性和预测精度。

    Apr, 2022