Dec, 2023

解离潜在表示学习用于解决因果推断中的混淆 M - 偏倚问题

PDF
TL;DR通过从代理变量学习潜在表示来调整混淆偏差和 M 偏差，我们提出了一种用于无偏因果效应估计（DLRCE）的新型解缠的潜在表示学习框架。实验证明 DLRCE 在同时存在混淆偏差和 M 偏差的情况下显著优于最先进的估计器。
发现论文，激发创造
  • 通过生成对抗网络对连续处理进行因果推断的解缠表示学习

    我们提出了一种用于连续治疗的去混淆表示学习 (DRL) 框架，通过生成与治疗变量解耦的协变量表示来进行反事实结果估计。该框架是一个非参数模型，能够消除治疗与协变量之间的线性和非线性依赖关系，并在模型中嵌入了反事实推理网络以实现去混淆和可信的推理。在合成数据集上广泛实验表明，该 DRL 模型在学习去混淆表示方面表现卓越，并且胜过了针对连续治疗的最先进的反事实推理模型。此外，我们将该 DRL 模型应用于实际的医疗数据集 MIMIC，并展示了红细胞宽度分布与死亡率之间的详细因果关系。

    Jul, 2023

  • 从相关数据中学习分离表示

    本文研究了因果变量在相关数据上的行为并分析了最主要的解缠方法在大规模实证研究（包括 4260 个模型）中的表现，结果显示数据集中系统性引入的相关性正在被学习并反映在潜在表示中，这对于解缠的下游应用如公平性有重要的影响，同时呈现了如何通过训练期间的弱监督或使用少量标签的预训练模型的后修复来解决这些潜在的相关性。

    Jun, 2020

  • 通过基于梯度的表示解释来消除模型偏差

    本文提出了一种基于代理属性与敏感属性的公平性框架，通过梯度解释找到模型关注点，再利用它们来指导下游任务模型的训练，以实现公平性和效用之间的平衡。实验证明，我们的框架在非分离和分离表示学习方法上具有更好的公平性 - 精度平衡。

    May, 2023

  • 通过潜在的部分因果模型揭示多模态对比表示学习

    用于多模态数据的统一因果模型，通过线性独立成分分析的方法，可以提高对多模态对比表示学习的理解和分析深度，发现预训练的多模态模型可以通过学习解缠表示来提高其性能和鲁棒性。

    Feb, 2024

  • 学习分解表示以进行因果推断

    该研究提出了一种基于 “协同学习” 框架的方法来识别混淆变量并通过样本重新加权技术与反事实推理方法同时准确估计处理效应。

    Jun, 2020

  • 用于贝叶斯因果发现的潜变量模型

    该研究探讨了从高维数据中学习因果表示的挑战性问题，并引入了一种基于潜变量解码器模型的贝叶斯因果发现方法，在半监督和无监督的情况下进行了实验，表明使用已知的干预目标能够帮助结构和参数的无监督贝叶斯推断。

    Jul, 2022

  • 分离和学习潜在混淆因素以增强用户偏好建模

    提出了一种名为 SLFR 的新框架，通过解开用户偏好和未测量混淆因素的联系，识别反事实反馈，以捕捉用户的真实偏好，并在五个真实世界数据集上进行了广泛的实验证明了该方法的优势。

    Nov, 2023

  • DRTCI：学习分离表示从而实现时间因果推断

    该研究介绍了一种对患者数据历史信息的循环表示进行对抗训练，以处理时间变量混淆问题的方法，同时将协变量表示分离成影响治疗选择、影响患者结局以及两者影响的各独立要素，致力于隔离选择偏差并限制平衡努力，从而避免不必要的协变量平衡。

    Jan, 2022

  • 可识别因果表示学习：无监督，多视角，和多环境

    通过学习具有因果模型语义的潜在变量表示形式，此研究论文探讨了因果模型在人工智能中的应用和理论基础，重点关注可辨识性问题以及在无直接监督下的表示学习目标可行性。

    Jun, 2024

  • 潜空间中干扰变量的因果结构表示学习用于推荐

    用户偏好、推荐系统、混淆因素、因果图和潜在空间是本研究的关键词，研究探讨了混淆因素对用户偏好的影响和如何在潜在空间中建模，通过因果图的方式分离混淆因素和用户偏好。最后，提出了基于变分自动编码器的模型，命名为潜在空间中混淆因素的因果结构表示学习 (CSC)，通过实验证明了该模型的优越性以及对混淆因素的可控性。

    Nov, 2023