Apr, 2024

高维异质性治疗效应估计的可微分 Pareto 平滑权重

PDF
TL;DR我们提出了一种可通过不同 iable Pareto 平滑加权框架来替换极端权重值的可微分权重学习方法，从而在估算高维异质处理效应时实现数值稳健的估计，实验结果表明，通过有效地校正权重值，我们的方法优于现有方法，包括传统的加权方案。
heterogeneous treatment effectshigh-dimensional feature attributessample selection biasnumerically unstable ipw weightsweighted representation learning
发现论文，激发创造
  • 深度序列模型的治疗反向概率加权使得能够从电子健康记录中准确估计治疗效应

    利用倒数概率处理权重的方法和深度序列模型通过渗透记录直接估计治疗效果，解决时间相关混杂对结果估计的偏差问题。

    Jun, 2024

  • 利用积分概率度量进行协变量平衡的因果推断

    本文提出了一种使用积分概率度量进行协变量平衡的加权方法，并证明该方法可以在不正确指定模型的情况下保持一致性，同时在有限样本情况下的表现也比现有方法更好。

    May, 2023

  • 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

  • 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

  • 高维异质性治疗效应估计的一些方法

    该研究旨在提出三种方法，以利用临床记录中包含的数据来为患者提供更好的医疗建议，并通过模拟表现良好。

    Jul, 2017

  • 异质性治疗效果估计的归纳偏差

    研究结构化相似性如何对待不同治疗方式下潜在结果进行利用，以获得有限样本中条件平均治疗效果的更好估计，比较三种端到端学习策略以解决存在异质性和利用共享结构不充分问题，实验结果表明三种方法都能对许多基准产生实质性提升，并获得了不同实验设置下性能差异的深入认识。

    Jun, 2021

  • 核最优正交加权：连续处理效应估计的平衡方法

    这篇论文采用 Kernel Optimal Orthogonality Weighting 方法，通过最小化惩罚函数协方差中的最劣情况来为评估连续性治疗的效果提供权重并应用其于血压与红肉摄入之间的关联分析。

    Oct, 2019

  • 公平且健壮的异质性处理效应评估用于政策学习

    本研究提出了一种简单且通用的非参数估计框架，用于在公平性约束下估计异质性处理效应，该方法在标准正则条件下展现出双重鲁棒性质，通过评估方法，我们确定了公平和最大福利之间的权衡，并用实际案例展示了我们的方法。

    Jun, 2023

  • 通过解释性视角评估异质性处理效果模型的基准性能

    研究利用后处理的特征重要性方法来评估治疗效果估计器，通过建立基准环境，从而以往未被重视的新维度来研究个性化治疗效果模型的能力，以识别影响模型预测的特征，并提供有关处理效果模型的不同类型的优缺点的新见解。

    Jun, 2022

  • 基于数据驱动的异质性治疗效应估计

    本文综述了数据驱动方法在异质性治疗效应估计上的应用，分为基于反事实预测和直接估计因果效应的方法，还有从数据中学习模型结构的结构因果模型方法，并在不同结构模型机制下进行了实证评估。

    Jan, 2023