Apr, 2024

多重稳健的因果变化归因

PDF
TL;DR比较两个数据样本，我们观察到一个结果变量分布的变化。在存在多个解释变量的情况下，我们开发了一种新的估计策略，结合回归和重新加权方法来量化每个因果机制的贡献。我们的提出方法是多重健壮的，意味着在部分错误规范化下仍能恢复目标参数。我们证明了我们的估计量是一致和渐进正态的。此外，它可以被纳入到 Shapley 值等现有的因果归因框架中，从而继承其一致性和大样本分布属性。我们的方法在蒙特卡洛模拟中表现出色，并且我们展示了其在实证应用中的实用性。
distributionexplanatory variablescausal modelestimation strategycausal mechanism
发现论文，激发创造
  • 随机因果系数

    本研究使用核均值嵌入分类将因果推断作为问题，从数据中直接学习因果推理，并在合成和实际数据上验证了方法的性能，赢得了 ChaLearn’s “Fast Causation Coefficient Challenge” 的 the fastest code prize，并排名第三.

    Sep, 2014

  • 因果潜在因子模型中的双重稳健推断

    提出了一种在现代数据丰富的环境中估计未观察到的混杂影响下的平均处理效应的新框架，该框架具有大量的单位和结果。该提出的估计器具有双重鲁棒性，结合了结果填充、逆概率加权和用于矩阵补全的新型交叉拟合程序。我们推导出有限样本和渐近保证，并且证明新估计器的误差以参数速率收敛到均值为零的高斯分布。模拟结果显示本文分析的估计器的形式性质的实际相关性。

    Feb, 2024

  • 因果推断的双重稳健学习教程

    该论文介绍了双重稳健学习方法，旨在通过整合倾向得分和结果建模来从观测数据中进行因果推断。通过使用 EconML 软件包演示其应用，该论文消除了双重稳健方法的复杂性，并提供了实际的编程示例，旨在使数据科学和统计学的研究人员和从业人员可以更便捷地应用双重稳健学习方法。

    Jun, 2024

  • 具有贝叶斯数据重新加权的强健概率建模

    本研究提出了一种方法，通过将每个观察的可能性变为一种权重，从数据中推断连续变量和权重，以检测和减轻大量概率模型的不匹配性，并明确不同类型的不匹配性对模型的影响与表现，这有助于提高模型的鲁棒性和预测准确性。

    Jun, 2016

  • 协同异质因果推断 —— 超越元分析

    本研究提出了一种用于处理异质数据的协作逆倾向得分加权估计器，在协作中调整分布转移，从而在异质性增加时显著提高性能，提出了一种联邦学习算法来在保持隐私的同时协作训练结果模型，并通过合成和真实数据集展示了方法的优势。

    Apr, 2024

  • 混合观测确定鲁棒因果表达方式

    从观察中学习表示纯粹关注于学习一种对预测模型有益的低维紧凑表示。本文开发了一种学习方法，通过使用互信息度量对学习过程进行正则化，从观察数据中学习这种表示，根据假设的因子因果图。我们从理论和实证角度证明，使用学习的因果表示训练的模型在对抗攻击和分布转移方面比基准模型更强健。

    Oct, 2023

  • 多元因果模型中可扩展的反事实分布估计

    我们提出了一种方法，通过利用原始高维空间的鲁棒一维潜在子空间，并利用在该空间上的单变量因果模型的高效估计，同时减轻了多变量因果模型中存在的问题，从而捕捉了相关结构并产生了反事实分布的良好估计。

    Nov, 2023

  • 不变性、因果性和鲁棒性

    本论文讨论了概率不变性或稳定性的概念及其如何应用于因果推断与预测鲁棒性问题。同时提出了一种用于风险最小化问题的因果形式化方法，通过估计常常出现在数据收集中的异构性或扰动数据来确定这种不变性。此新方法在许多应用中具有潜在的实用价值，比标准回归或分类框架中的机器学习或估计方法提供了更强的鲁棒性和更好的因果解释。

    Dec, 2018

  • 缺失响应问题中的 Oracle 多重稳健和多用途校准

    本文提出了一种多工作回归模型的校准方法，可用于估计单个或多个参数，当缺失概率被正确指定且假设了多个条件均值工作回归模型时，具有奥拉克尔（Oracle）性质，在缺失数据机制被错误指定时，仍可成为一致估计量，可使用共同的校准权重同时获得所有感兴趣参数的半参数效率界，并且与生物统计学、计量经济学和调查抽样中许多现有的估计方法有联系。

    Oct, 2014

  • 模型归因的鲁棒性再思考

    机器学习模型的可靠性和可信度要求其决策具有可解释性，尤其在安全关键应用中，模型预测和解释（作为特征归因）对微小且不可察觉的输入扰动要具有鲁棒性。最近的研究表明许多归因方法是脆弱的，并提出了改进这些方法或模型训练的方法。我们观察到脆弱归因的两个主要原因：首先，现有的鲁棒性度量指标（例如，top-k 交集）对于合理的本地归因偏移进行了过度惩罚，因此使得随机扰动呈现出强攻击的效果；其次，即使图像中存在多个重要部分，归因可以集中在一个小区域中。为了纠正这一点，我们提出了一些简单的方法来加强现有的度量指标和归因方法，这些方法将像素的局部性纳入鲁棒性度量指标中，并将像素位置的多样性纳入归因中。关于模型训练在归因鲁棒性中的作用，我们经验证实对抗性训练的模型在较小的数据集上具有更鲁棒的归因，然而，在较大的数据集中，这种优势消失了。代码可在此 https URL 获得。

    Dec, 2023