DecoR:使用鲁棒回归解除时间序列中的混杂
本研究提出了一种称为时间序列去混杂器的方法,利用多重处理来估计存在多因素潜在混杂变量时的治疗效应,并使用新颖的递归神经网络架构进行因素建模和推断潜在变量,从而替代多因素未观察到的混淆变量,进行因果推断,从而得到时间变化曝露的无偏因果效应估计。
Feb, 2019
本文介绍了一种新的去混杂方法:顺序去混杂 (SD),解决了存在未观察到的混杂因子情况下, 序列化医疗决策难题,并证明了该方法可以准确估计单个个体在时间上的治疗反应。
Apr, 2021
利用无监督机器学习和预测性模型检查相结合实现多因素下因果推理的去混淆算法并提出其理论,对半真实数据和真实数据进行性能测试,表明该算法比传统因果推理方法需要的假设更弱且更接近真实因果效应。
May, 2018
本文探讨了如何从多个数据集和关于基础数据生成模型的定性假设组合中学习出强健、通用的预测模型。通过定义不同的不变性特性,我们的方法旨在在未观察到混淆因素的情况下建立因果性的解,从而连接数据分布的一组仿射组合上的显式分布鲁棒优化问题。我们在医疗保健数据上展示了我们方法的实证表现。
Jul, 2020
该论文提出了一种通用的强化学习算法,针对观测数据中未观察到的因素(混杂因素)影响观察到的行为和奖励,学习从历史数据中得出好的策略,使用修改的 OpenAI Gym 环境和 MNIST 数据集开发了新的基准测试,并且证明了该算法在混淆的环境中的优越性。
Dec, 2018
我们提出了一种用于连续治疗的去混淆表示学习 (DRL) 框架,通过生成与治疗变量解耦的协变量表示来进行反事实结果估计。该框架是一个非参数模型,能够消除治疗与协变量之间的线性和非线性依赖关系,并在模型中嵌入了反事实推理网络以实现去混淆和可信的推理。在合成数据集上广泛实验表明,该 DRL 模型在学习去混淆表示方面表现卓越,并且胜过了针对连续治疗的最先进的反事实推理模型。此外,我们将该 DRL 模型应用于实际的医疗数据集 MIMIC,并展示了红细胞宽度分布与死亡率之间的详细因果关系。
Jul, 2023
ROSE 是一种基于预训练的时间序列预测模型,通过使用分解频率学习和时间序列寄存器来获取统一的跨域表示,并在下游任务中进行领域自适应转移,取得了与现有方法相媲美甚至更优越的预测性能。
May, 2024
提出了一个去混淆因素的因果协作过滤模型,解决了现实场景下推荐系统可能遇到的无法观测到的混淆因素带来的问题,且在真实数据集上的实验证明了该方法能够更好地提高推荐效果。
Oct, 2021