Feb, 2024

因果插补用于反事实结构方程模型：连接图和潜在因子模型

PDF
TL;DR我们介绍了一种基于 SCM 的模型类，其中结果以反事实形式表达，操作以对工具变量进行干预表示，并且上下文是基于系统初始状态定义的。我们展示了在 PRISM 药物重用数据集上评估了几种矩阵填补方法，并且我们的方法优于所有其他考虑的矩阵填补方法。
causal imputationpredictive modelingmatrix completionscm-based modelsynthetic interventions estimator
发现论文，激发创造
  • 对可逆潜在因果模型领域反事实的描述

    本文针对特定类型因果查询 - 领域反事实进行研究，提出了一种基于不同领域、环境生成数据集合的领域特定可逆潜在因果模型，并证明通过两个可逆函数可以将任何模型转化为等价模型，同时表明只允许干预最后 $k$ 个因果变量的算法可以提高反事实估计的模型准确性。

    Jun, 2023

  • 因子图模型视角下的干预泛化

    本文利用因子图模型的语言，对干预因素模型 (IFM) 的可辨识性进行了分析，并通过实验数据来推导出 IFM 的必要和充分条件，以及实现将预期的结果推广到从未在数据中观察过的新条件的实用算法。

    Jun, 2023

  • 通过结构因果边际问题进行因果推断

    本研究提出了一种基于多个数据集合并信息的反事实推断方法，使用响应函数形式化分类 SCMs，减少允许的边缘 SCM 和联合 SCM 的空间，从而突出了通过附加变量而不是通过附加数据的一种新的可否证明模式。

    Feb, 2022

  • 可控反事实推断的深度结构因果模型

    利用深度学习组件建立结构因果模型 (SCMs) 的一个通用框架，采用正则化流和变分推断实现外生噪声变量的易处理推断，并验证其在 MNIST 和医学图像数据上的有效性，提出了 SCMs 可以回答所有 Pearl 因果逻辑的逆因果推断问题的思路。

    Jun, 2020

  • 扩散因果模型用于反事实估计

    提出 Diff-SCM 来解决如何从观察到的成像数据中估计反事实效果的问题，使用深度结构因果模型和生成式能量模型相结合的方法进行推理，并且在 MNIST 数据和 ImageNet 数据上证明了其优越性。

    Feb, 2022

  • 因果面板数据模型的矩阵补全方法

    研究使用矩阵补全方法估计具有面板数据的因果效应，在社会科学应用中，允许具有时间序列依赖结构的缺失数据模式，提出的矩阵补全估计量仅通过规则化即可处理识别问题，在真实数据模拟中表现优于非规则化或人工决策估计器。

    Oct, 2017

  • 具有类别背景变量的深度反事实估计

    本文介绍了一种基于 CounterFactual Query Prediction（CFQP）方法的结构方程模型来推断因果关系以及深度学习的应用，使用这种方法能够可靠地预测反事实因果关系。

    Oct, 2022

  • 激励感知的合成对照：通过激励式探索实现准确的反事实估计

    我们提出了一种在面板数据设置中激励探索的合成控制方法，通过利用信息设计和在线学习的工具，为单位提供适用的干预建议，从而在不需要明确的单位结果重叠假设的情况下获得有效的对照估计。

    Dec, 2023

  • 利用反事实链接进行链接预测的学习

    本文就缺失链接预测问题提出了一种新的数据增强算法，采用因果模型来创建反事实链接，并结合观察链接和反事实链接学习图的表示，实验表明该方法在链接预测任务上具有最先进的性能。

    Jun, 2021

  • SCouT: 基于时空变换器的合成对事实干预应卫生保健

    提出了一种在干预前使用局部时空信息预估反事实序列借助于位置编码、修改的解码器注意力掩码和新的预训练任务的 Transformer 模型，可以生成有用的医疗洞见和对疾病的干预策略进行评估的结果。

    Jul, 2022