May, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 在线实验中将主动学习与因果推断相结合的一种新方法

    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。

    Feb, 2024

  • 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

  • 利用时空数据进行因果推论：伊拉克空袭对叛乱暴力影响的估计

    本篇研究介绍了一种完整的因果推断方法，可以针对时空偏离的介入变量和观测变量生成的数据进行处理，并使用马丁格尔理论提出了一种可靠估计方法。此外，还在实际案例中分析了美国空袭对于伊拉克叛乱事件造成影响的情况。

    Mar, 2020

  • 因果连续治疗效应估计的时空熵平衡

    基于灵活的时间空间网格划分技术，本研究提出了一种以连续熵平衡为基础的因果连续处理的时空熵平衡方法（TS-EBCT），经过实验证明，在城市货运领域应用 TS-EBCT 方法后，因果效应的预测准确性显著提高，为公司的补贴和定价策略带来良好的商业利益。

    Dec, 2023

  • 异质干扰下的治疗效果估计

    通过开发一种从不同视角聚合信息的新架构，我们提出了一种模型异质干扰的新方法，包含图神经网络、不同视角信息的聚合机制和注意力机制，经过多个数据集的实验，证实了模型异质干扰建模的重要性。

    Sep, 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

  • CASPER: 因果感知的时空图神经网络对时空时间序列插值

    从因果的角度重新审视了时空时间序列的填充，引入了前门调整与一个基于因果感知的时空图神经网络 (CASPER)，它包含了一个新颖的时空因果注意力 (SCA) 和一个基于提示的解码器 (PBD)。PBD 可以减少混淆变量的影响，而 SCA 可以发现嵌入之间的稀疏因果关系。经过理论分析，发现 SCA 是基于梯度值来发现因果关系的。通过在三个真实数据集上的评估，实验证明 Casper 能够胜过基准方法，并有效地发现因果关系。

    Mar, 2024

  • 使用深度潜变量模型推断因果关系效应

    利用潜在变量建模来解决处理混淆因素以从观测数据中获取个体级因果关系的问题，该方法基于变分自编码器，效果显著优于现有方法且可达到同类方法的最佳水平。

    May, 2017

  • 具有隐含因果效应分离的神经状态空间建模

    本文介绍了一种用于重建生理系统中微弱信号的新技术，通过显式建模和分离潜在内部干预对系统的潜在状态产生的影响，并通过推断隐藏的内部干预来实现对本机干预的动态的建模，从而重建招发生在心脏电学传导中的异常事件，并演示了其在电学传导中的应用（使用深度学习，时间序列和状态空间模型）。

    Sep, 2022

  • 解读时空图预测：因果视角与处理

    通过使用因果治疗，本文提出了一种名为 CaST 的新框架来解决时空图预测中的时间分布外问题和动态空间因果问题，该框架通过建立结构因果模型来解析 STG 的数据生成过程，使用新的解缠结块通过反门调整来处理时间分布外问题，并利用前门调整和 Hodge-Laplacian 操作符进行边级卷积，以模拟因果效应的涟漪效果。在三个真实数据集上的实验证明了 CaST 的有效性和实用性，并且在解释性方面表现出色。

    Sep, 2023