图神经网络用于治疗效果预测
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
本文提出使用传输学习算法和因果推断理论相结合的方法来估算异质性治疗效应，并在大规模选民说服实验和 MNIST 数据库上进行了模拟研究，结果表明该方法能够以更好的性能和更少的数据使用量超越现有的基准算法。
Aug, 2018
本文研究了神经网络在处理观测数据中的治疗效果估计方面的应用，提出了一个新的 Dragonnet 神经网络架构和一个有针对性的正则化程序，这些方法在基准数据集上的研究表明，优于现有的方法。
Jun, 2019
通过开发一个全连接的神经网络，实现了 Bayesian Causal Forest 算法的神经网络因果推断架构，并将该方法应用于研究应激对睡眠的影响，展示了在模拟环境中性能的提升。
May, 2024
本研究提出一种基于深度学习的经济计量学技术，特别是针对因果推断和估计个体和平均处理效果。具体而言，我们分析了使用自编码器进行降维的广义邻居匹配用于估计个体处理效果和平均处理效果，并将深度神经网络应用于倾向得分匹配以提高性能。
Mar, 2018
本篇论文提出了一种基于网络结构的 Graph Infomax Adversarial Learning (GIAL) 模型用于处理不平衡网络结构下的治疗效果估计，并在两个基准数据集上展示了其优越性。
Jun, 2021
本文提出一种名为 NNCI 的新方法，旨在在神经网络模型中引入有价值的最近邻信息，以改善观测数据下的治疗效果估计，实验结果验证了该方法的有效性。
May, 2023
推荐系统对于内容分享平台的个性化内容整理至关重要。 通过进行创作者方面的随机实验以估计治疗效应，定义为当新的（而不是现状）算法在平台上部署时，平台经常评估面向内容创作者的推荐系统更新。我们展示了标准差异估计量可能导致偏倚的治疗效应估计。这种偏倚的产生是因为推荐干扰，即在推荐系统中，受治疗群体和对照群体的创作者竞争曝光机会。我们提出了一种 “推荐选择模型”，该模型捕捉到在包含受治疗和对照内容项的池中如何选择项目。通过结合结构性选择模型和神经网络，该框架以微观基础的方式直接建模推荐干扰路径，并考虑丰富的观众 - 内容异质性。使用该模型，我们构建了一种一致且渐近正态的治疗效应的双重 / 无偏估计量。我们通过对微信短视频平台进行的一项实地实验展示了其实证表现：除了标准的创作者方面实验外，我们还进行了昂贵的阻塞性双边随机化设计以获得没有干扰偏倚的基准估计。我们展示了相对于标准差异估计量，所提出的估计量显著减少了治疗效应估计中的偏倚。
Jun, 2024