Oct, 2023

一个通用的神经因果模型用于交互推荐

PDF
TL;DR通过建立可学习的结构因果模型，并使用古贝尔最大函数作为结构约束，应用增强优化和古贝尔 - Softmax 作为权衡手段来实现反事实一致性，从而减轻观察数据的幸存者偏差问题。
survivor biasrecommender systemscausal inferencecounterfactual consistencyneural causal model
发现论文，激发创造
  • 推荐系统的对抗性反事实学习和评估

    本论文提出了一种基于极小值 - 最大值经验风险的新型推荐算法，该算法使用属于敌对领域的候选模型对反驳所述推荐模型中的潜在暴露机制的对手进行了建模，并使用模拟研究验证了此方法在推荐设置的不同方面的优越性。

    Nov, 2020

  • 不完善因果知识下的算法补救：一种概率方法

    通过两种概率方法选取最优行动以在有限的因果知识下实现补救，以解决缺乏真实结构因果模型的限制，并在不完美的因果知识下提供比非概率基线更可靠的建议。

    Jun, 2020

  • 利用不完美因果结构模型实现反事实公正

    本研究提出一种新的极小极大博弈论模型，可以在不强制使用结构因果模型的情况下，实现准确的结果和实现反事实公正的决策，以此减轻模型预测与实际世界（观测数据）以及反事实世界（即如果个体属于其他敏感群体）中的歧视，并且我们还在多个实际数据集上进行实证实验，表明了我们在准确性和公平性方面的优越性。

    Mar, 2023

  • 从观测、偏见和随机数据学习界定反事实推断

    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

  • 基于反事实模型的可靠决策支持

    本研究提出一种新的监督学习目标，预测反事实情况而不是预测现有行动策略下的结果，以支持决策制定，使用我们提出的反事实高斯过程（CGP）来预测在未来行动序列下连续时间轨迹的反事实未来进展，并证明其在风险预测和个体化治疗规划等决策支持任务上的优势。

    Mar, 2017

  • 有关重大决策的通用反事实解释模型

    该研究提出了一种基于形式验证的算法，使用逻辑公式表示距离函数（目标）和预测模型（约束），解决满足性问题生成最接近的反事实解释，能够生成可行的多样化反事实解释来满足 100% 的覆盖率。

    May, 2019

  • 融合观察、偏差和随机数据源的近似反事实界限

    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。

    Jul, 2023

  • 利用倾向性丢弃的深度反事实网络

    本论文提出了一种新的方法，使用多任务学习模型和倾向性估计来推断干预的个性化因果效应，实验证明与现有方法相比具有更好的表现。

    Jun, 2017

  • 使用反事实预测集设计决策支持系统

    本文提出了一种新型决策支持系统，通过嵌套结构的预测集和专家的设想单调性假设，实现比普通 bandit 算法更好的结果；大规模人类学科研究 ($n=2751$) 表明，这种限制专家代理水平的决策支持系统实用且可能提供比允许专家始终行使其代理权的系统更好的性能。

    Jun, 2023

  • 用概率图模型进行反事实推理以分析社会生态系统

    因果推理和反事实推理是数据科学中的新兴方向，尤其适用于通常无法获取实验数据的环境和生态科学领域。本文提出了一个在社会生态系统领域内边界不可识别查询的新技术，并发现传统统计分析方法无法揭示变量之间的关系本质，其中反事实推理变得非常有价值。

    Jan, 2024