AAAIDec, 2023

多个治疗方法网络设置中的个体因果效应估计

PDF
TL;DR我们研究了多个治疗和网络观测数据背景下的个体治疗效果估计问题，利用网络信息以增强强可忽略性假设在实际应用中的适用性，并通过图卷积网络学习共享的混淆因素表示，设计了损失函数以组合表示损失和均方误差损失。通过在 BlogCatalog 和 Flickr 等基准数据集上进行一系列实验，实验结果一致表明与基准方法相比，我们的模型显示出优越的性能。
发现论文，激发创造
  • 对社交网络进行因果效应估计的治疗感知双曲表示学习

    通过在社交网络中使用超伸缩表示学习，以及利用针对个体和其邻居是否接受相同治疗方法的处理感知式关系识别模块来增强隐藏混淆因素的表示，我们提出了一种名为 TAHyper 的新颖方法，以应对从观察数据中估计个体治疗效果时面临的关键挑战。

    Jan, 2024

  • 估算具有时间变动混淆因素的个体处理效果

    本研究提出 Deep Sequential Weighting (DSW) 模型通过使用深度递归加权神经网络，将当前的治疗方案和历史信息结合起来推断隐藏的混淆因素并计算个体治疗效果，从而为个性化医疗铺平道路，实验结果表明，该模型可准确预测并生成无偏的治疗效果。

    Aug, 2020

  • 具有因果关系图约束的神经网络：一种新的治疗效应估计方法

    近年来，对使用机器学习技术估计治疗效果的兴趣逐渐增长。本文讨论和分类了这些模型的算法归纳偏差，并提出了一种考虑因果图中的附加信息的新模型 NN-CGC，通过对模型实施新的约束，解决了来自虚假变量相互作用造成的偏差，并且可以与其他表征学习方法集成。我们使用三种不同的基础模型对我们的方法进行有效性测试，结果表明，我们的模型约束带来了显著的改进，在治疗效果估计方面取得了最新的全球领先成果。我们还展示了我们的方法对不完整因果图的鲁棒性，并且使用部分因果信息要优于忽略它。

    Apr, 2024

  • 学习超图上的因果效应

    本文从因果关系的角度出发，探讨了如何在超图中估计个体治疗效果 (ITE)，并提出了一个新的超图神经网络框架以更好地建模高阶干扰。实验证明，与现有基线相比，我们的框架具有更好的表现。

    Jul, 2022

  • 在网络下异质干扰下学习个体化治疗效果

    本论文提出了一种新算法 ——Dual Weighting Regression (DWR)，其通过学习注意力权重和样本权重来解决网络场景下的干扰异质性问题，同时实验表明该算法优于目前的其他算法。

    Oct, 2022

  • PairNet: 使用观察到的对作为训练样本以估计个体处理效果

    通过对成对示例基于其已观测到的实际结果最小化损失的训练策略，PairNet 能够准确地预测处理变化导致的结果变化，并在多个基准测试中表现出比基准模型更小的 ITE 误差，同时具有模型不可知性和易于实现的优点。

    Jun, 2024

  • 使用梯度插值和核平滑的连续处理效应估计

    通过对个体进行训练与推断逆因果结果的方法，改进了存在潜在相互影响的治疗分配与个体协变量之间的矛盾问题，提高了个体化连续治疗效果估计的准确性。

    Jan, 2024

  • 异质干扰下的治疗效果估计

    通过开发一种从不同视角聚合信息的新架构，我们提出了一种模型异质干扰的新方法，包含图神经网络、不同视角信息的聚合机制和注意力机制，经过多个数据集的实验，证实了模型异质干扰建模的重要性。

    Sep, 2023

  • 个体治疗效果的敏感性分析：鲁棒的符合推断方法

    提出了一种基于预测推断的模型自由框架，用于探究个体治疗效果的敏感性分析，特别关心了混杂因素强度量化和对于反事实的可靠预测推断。

    Nov, 2021

  • 利用隐藏变量从不规则时间序列观测中估计治疗效果

    本文介绍了一种基于 Lipschitz regularization 和神经控制微分方程（CDE）的方法，名为 LipCDE，用于解决时序数据的因果分析问题，该方法能够准确估算个体化的治疗效果和克服隐藏混淆变量导致的治疗估计偏差和高方差情况，并通过实验验证了方法的有效性和可扩展性。

    Mar, 2023