Nov, 2023

对抗分布平衡与反事实推理

PDF
TL;DR提出了适用于反事实推理的对抗分布平衡法（ADBCR），通过直接使用反事实估计结果来消除假性因果关系，证明了其在三个基准数据集上优于现有方法，并证明如果在训练过程中包含未标记的验证数据，可以进一步改进 ADBCR 的性能。
causal prediction modelscounterfactual reasoningmachine learningunsupervised domain adaptationadversarial distribution balancing
发现论文，激发创造
  • 公平临床风险预测的反事实推理

    本文使用机器学习系统支持决策制定在医疗保健中的问答涉及使用电子医疗记录中的观察性数据中隐含的偏见，进而进一步发展了组公平性标准，以在个体层面上扩展增益计数事实公正标准，探讨扩增的标准是否可以应用于使用观测性电子健康记录数据的病人长住和死亡的公平模型的开发。通过一个假设因果图的变分自动编码器来执行反事实推理，提供了一种在学习生成模型的背景下，在公平维护与预测性能下降之间权衡的方法。

    Jul, 2019

  • 表示插值的反事实对抗学习

    本文提出了一个基于因果关系的 Counterfactual Adversarial Training 框架（CAT），通过对单个样本生成对应的反事实表示，动态调整样本特有的损失权重，以此鼓励模型探索真实的因果关系，实现在句子分类、自然语言推理和问答等领域的显著性能提升。

    Sep, 2021

  • 假设干预下的临床结果预测 —— 用表示学习框架进行反事实推理

    本研究提出了一种新的表示学习框架 - 部分概念瓶颈，该框架将反事实解释作为风险模型的嵌入式属性，有助于研究人员和临床医生改进个性化护理，探索干预的假设性差异效应。

    May, 2022

  • 生成可信任的模型无关反事实解释的对抗随机森林

    利用对抗式随机森林（ARFs）的生成建模技术，本文以模型独立的方式高效生成可信的反事实解释，克服了现有方法的局限性，包括易于训练、计算高效、自然处理连续和分类数据以及方便集成额外的期望，如稀疏性。

    Apr, 2024

  • 从观测数据中学习反事实公平性

    本文提出了一种新的框架 CLAIRE，通过对反事实数据增广和不变化惩罚的表征学习框架有效地减轻了敏感属性的偏差，并在合成和真实数据集上的实验验证了 CLAIRE 在反事实公平性和预测性能方面的优越性。

    Jul, 2023

  • 神经响应生成的反事实离线训练

    本文提出采用反事实推理来探索潜在回应，并在 DailyDialog 数据集上实验证明在仿真产生回应时更优，训练反事实回应可以帮助探索潜在回应空间的高奖励区域。

    Apr, 2020

  • 通过对抗平衡表示估算随时间变化的因果治疗结果

    介绍了一种新的序列到序列模型 —— 对立逆向网络，该模型利用患者日常观察数据，通过对领域敌对训练来处理时间变化混杂物的偏见，以可靠地作出反事实预测。在肿瘤生长的模拟模型中，比目前最先进的方法在估计反事实和选择正确的治疗和治疗时间方面实现了更低的误差。

    Feb, 2020

  • 针对表格数据的学习模型无关反事实解释

    本文提出了一种新的方法 ——C-CHVAE，该方法可以生成可实现的反事实解释，以更好地满足反事实解释的质量要求。

    Oct, 2019

  • 反事实协作推理

    本文研究了因果推理和逻辑推理在机器智能的应用下的关系，提出了 Counterfactual Collaborative Reasoning (CCR) 方法，通过进行反事实逻辑推理对数据进行增强，提高了模型性能和透明度。实验结果表明，CCR 方法显著优于使用隐式数据增强的模型和未增强的模型，并且能够生成反事实解释，提高模型的透明度。

    Jun, 2023

  • 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