Jun, 2024

因果对照学习在时间上的反事实回归

PDF
TL;DR本文提出了一种独特的时间反事实回归方法，通过强调长期预测，强调使用循环神经网络（RNN）进行长期预测，结合对比预测编码（CPC）和信息最大化（InfoMax），避免使用计算昂贵的变换器，捕捉到存在时间变化的混杂因素中的长期依赖关系，通过最大化序列数据和其表示之间相互信息的下界，实现了最先进的反事实估计结果，标志着对比预测编码在因果推断中的先驱性融合。
发现论文，激发创造
  • 用因果 Transformer 估计反事实结果

    本文提出了一种基于 Transformer 的因果模型，通过特定设计的模型和训练方法，能够准确地对复杂、长期相关和混淆因素进行因果推理并估算出时间序列的反事实结果。

    Apr, 2022

  • 通过对抗平衡表示估算随时间变化的因果治疗结果

    介绍了一种新的序列到序列模型 —— 对立逆向网络，该模型利用患者日常观察数据，通过对领域敌对训练来处理时间变化混杂物的偏见，以可靠地作出反事实预测。在肿瘤生长的模拟模型中，比目前最先进的方法在估计反事实和选择正确的治疗和治疗时间方面实现了更低的误差。

    Feb, 2020

  • 对比差异预测编码

    本文介绍了一种自适应时间差异版对比性预测编码，通过拼接不同时间序列数据的片段来减少学习未来事件预测所需的数据量，并将该方法应用于推导目标条件强化学习的离线策略算法。实验表明，与先前的强化学习方法相比，我们的方法在成功率方面取得了 2 倍的中值提高，能够更好地应对随机环境。在表格设置中，我们展示了我们的方法比后续表示方法更节约样本，比标准（蒙特卡洛）版本的对比性预测编码更节约样本数量约 20 倍和 1500 倍。

    Oct, 2023

  • 在复杂的多智体场景中估计反事实治疗结果的时间变化

    使用可解释的多智能体系统反事实循环网络进行干预效应评估的长期预测方法，最终在自动驾驶、生物智能体和篮球计分方案的模拟实验与实际数据中证明了其优于传统方法的效果。

    Jun, 2022

  • 可自解释的时间序列预测与反事实解释

    该研究旨在通过提出可自我解释的 Counterfactual Time Series (CounTS) 模型，从而生成针对时间序列预测的反事实和可操作性解释，该模型可以提供更好的反事实解释，同时保持相当的预测准确性，并建立相应的评估方案。

    Jun, 2023

  • COSTAR：改进的自监督学习时间反事实估计

    本文介绍了 COunterfactual Self-supervised TrAnsformeR（COSTAR），这是一种集成自我监督学习以改进历史表示的新方法。该方法将时间和特征注意力与针对时间处理结果观察的分量对比损失相结合，相较于现有模型在估计准确性和推广到分布外数据方面表现出卓越性能，经过合成和真实世界数据的实证结果验证。

    Nov, 2023

  • 自监督对比预测

    通过引入对比学习和增强分解架构，本研究提出了一种新颖的方法来解决长期预测中存在的问题，并通过实验证明，在多个长期基准测试中，特别是需要长时间输出进行预测的挑战性场景中，我们的方法优于 14 个基准模型。

    Feb, 2024

  • DRTCI：学习分离表示从而实现时间因果推断

    该研究介绍了一种对患者数据历史信息的循环表示进行对抗训练，以处理时间变量混淆问题的方法，同时将协变量表示分离成影响治疗选择、影响患者结局以及两者影响的各独立要素，致力于隔离选择偏差并限制平衡努力，从而避免不必要的协变量平衡。

    Jan, 2022

  • 隐藏混淆下的共形反事实推断

    个性化决策需要对不同处理方法下的潜在结果有所了解，并且关于潜在结果的置信区间能够丰富决策过程并提高其在高风险场景下的可靠性。本研究提出了一种基于推断加权拟合预测的新方法 wTCP-DR，他能够在存在隐性混淆的情况下提供对反事实结果的置信区间，并具备边际收敛保证。通过访问部分干预数据，我们的方法能够解决观测分布和干预分布之间的协变量转移问题。理论结果明确表明了我们的算法相对于只使用干预数据的朴素方法的条件优势。在确保反事实置信区间有效之后，构造个别处理效应的区间是直接的。我们通过合成数据和真实世界数据验证了我们的方法的优越性，其中包括推荐系统，并与现有最先进方法进行了比较，结果在覆盖率和效率两方面都表现出优势。

    May, 2024

  • 对比学习的反事实数据增强

    引入了一种无模型数据增强方法来解决不同治疗组之间的统计偏差问题，通过学习表示空间和相似度度量，确保接近的个体拥有相似的潜在结果，从而可靠地预测替代治疗组中个体的反事实结局，并有效减小不同治疗组之间的差异，进而提高现有模型的性能和抗过拟合能力的实验研究表明方法具有显著的改进。

    Nov, 2023