在线实验中将主动学习与因果推断相结合的一种新方法

Feb, 2024

在线实验中将主动学习与因果推断相结合的一种新方法

Integrating Active Learning in Causal Inference with Interference: A Novel Approach in Online Experiments

Hongtao Zhu, Sizhe Zhang, Yang Su, Zhenyu Zhao, Nan Chen

TL;DR通过网络干预的主动学习方法，本论文旨在解决因果推断中潜在结果检验框架忽视个体干预以及假设独立处理效应的问题，提出了一种基于网络干预的主动学习方法以估计直接和溢出治疗效果，能够在复杂干预结构下具有高效和精确的效果估计能力。

Abstract

In the domain of causal inference research, the prevalent potential outcomes framework, notably the rubin causal model (RCM), often overlooks individual interference and assumes independent treatment effects. Thi

causal inference research rubin causal model individual interference network-based interference active learning in causal inference with interference

发现论文，激发创造

主动贝叶斯因果推断

本文提出了一种基于贝叶斯方法和高斯过程的主动学习框架 ——ABCI，该框架可同时进行因果图推断和因果推理，通过最大信息设计测量，从少量样本中更加高效地准确学习下游的因果查询，并为有关量提供良好的预测不确定性估计。

Jun, 2022

连续治疗干扰下网络上的因果推断

本文提出了一种非实验设置下绘制因果关系的方法，并展示了一个广义倾向得分估计器，该估计器允许我们估计连续治疗的直接效应和溢出效应，并研究了溢出效应如何塑造农业市场政策干预的最优水平。结果表明，在这种情况下，忽略干扰可能会导致在评估政策有效性时出现向下偏差。

Apr, 2020

在空间干扰存在的情况下估计时空干预的直接和间接因果效应

基于深度学习的潜在结果模型及其在时空因果推断中的应用：通过扩展潜在结果框架，在无未测混淆的情况下对时变治疗分配中的空间干扰进行形式化，并利用潜在因子建模来减少因时变混淆引起的偏差，同时利用 U-Net 架构捕捉数据随时间的全局和局部空间干扰，从而推断空间干扰对受治疗和未受治疗数据的直接和间接效应。

May, 2024

主动不变因果预测：通过稳定性选择实验

本文提出了一种基于不变因果预测的主动学习框架（A-ICP），旨在帮助有效地选择实验以提高因果模型的可识别性，该框架依靠结构因果模型中干预对稳定集合发挥作用，并通过数个干预选择策略得以实现，实证分析证明所提出的策略在不同实验环境下均有良好表现。

Jun, 2020

级联式随机化在扩散干扰下推断因果效应

通过利用干预结构减小干扰和限制级联增长，我们提出了基于级联的网络实验设计框架，用于估计网络数据中的因果效应。

May, 2024

基于排列的带干预因果推断算法

本文提出了两种利用观测和介入数据学习基因调控网络的算法，并证明了这两种算法在符合无偏性假设的情况下均具有一致性保证。同时，这些算法具有非参数性质，适用于分析非高斯数据。本文还对这两种算法在模拟数据，蛋白质信号数据和单细胞基因表达数据上的性能进行了分析。

May, 2017

使用主动干预的神经因果模型学习

介绍了一种基于 AIT 的方法，可快速识别数据生成过程的基础因果结构。该方法可用于离散和连续优化公式，并在模拟到实际数据的多个基准测试中表现出卓越的性能。(Translation: An AIT-based method is introduced to quickly identify the underlying causal structure of the data-generating process, which is applicable for both discrete and continuous optimization formulations of learning the underlying directed acyclic graph from data, and demonstrates superior performance on multiple benchmarks from simulated to real-world data.)

Sep, 2021

适应性在线实验设计用于因果推断

在线学习中基于干预样本历史的分离图系统相匹配的追踪停止因果发现算法优于现有方法，通过较少的样本实现更高准确性的因果图学习。

May, 2024

主动和被动因果推断学习

这篇论文为对因果推断感兴趣但尚未熟悉的机器学习研究人员、工程师和学生提供了一个起点。通过阐述一组重要的因果认定假设，如可交换性、积极性、一致性和干扰的缺乏，我们将这些假设分类为两种主动和被动方法，并介绍了随机控制试验、基于赌博机的方法，以及匹配和逆概率加权等经典和深度学习的方法。通过介绍这篇论文中遗漏的一些因果推断方面，如碰撞偏差，我们希望为读者在因果推断和发现领域提供丰富的起始点用于进一步阅读和研究。

Aug, 2023

认知无线电网络中的干扰信道的受约束贝叶斯主动学习

本文提出了一种顺序探测方法，用于允许中央认知无线电网络（CRN）在设计的主用户（PU）保护规范下访问主用户（PU）的频带，并用二进制 ACK / NACK 数据包来学习 PU 干扰约束，我们在 Active Learning (AL) 框架内研究了这个受限设计问题，并提出采用 Expectation Propagation（EP）方法的最优解，并通过数值模拟来演示该解决方案的性能。

Oct, 2017