Jun, 2024

增益来源：条件平均剂量反应估计中的性能分解

PDF
TL;DR我们提出了一种新的分解方案，用于评估影响 CADR 估计器性能的五个不同组成部分的影响。我们运行了近 1500 个独立实验，将这个方案应用于四个广泛使用的基准数据集上的八个流行的 CADR 估计器。我们的结果揭示了大多数现有的基准数据集的挑战不同于其创建者所声称的挑战，同时发现干扰并不是任何考虑的数据集中的问题。我们讨论了我们发现的主要影响，并提出了未来研究的方向。
发现论文，激发创造
  • 揭示稳健性在评估因果推断模型中的潜力

    为了解决条件平均处理效应估计器选择的挑战，本文引入了一种新的方法，即分布鲁棒度量（DRM），该方法不仅消除了需要拟合附加模型的需求，而且在选择强健的 CATE 估计器方面表现出色。实验研究证明了 DRM 方法的效力，展示了其在识别优越估计器的同时减轻选择劣质估计器的风险的一致效果。

    Feb, 2024

  • 基准比较中的忽略假设：评估 CATE 是否准确？

    本文中，我们发现，尽管观察数据的异质性治疗效果估计的机器学习工具箱正在迅速扩展，但其中许多算法仅在非常有限的半合成基准数据集上进行了评估。

    Jul, 2021

  • 多 CATE: 对未知协变量转变健壮的多准确条件平均处理效应估计

    通过学习多准确性预测器，我们提出了一种方法，用于在部署时解决未知协变量转变，从而改善异质处理效应预测，并在因果推断和机器学习中取得了令人满意的结果。

    May, 2024

  • 异质因果效应估计模型选择的实证分析

    研究因果推断中的模型选择问题，特别是针对二元处理条件下的条件平均处理效应（CATE）估计问题。作者设计了一种不依赖反事实数据的模型选择技术，并通过广泛实证分析验证了各种代理度量标准在真实数据集上的性能表现。

    Nov, 2022

  • RealCause: 真实因果推断基准测试

    该研究论文使用灵活的生成模型提供基准，既可以提供因果效应的真实值，又可以代表真实数据，评估了 1500 多种不同的因果效应估计器，并提供证据表明使用预测指标选择因果效应估计器的超参数是合理的。

    Nov, 2020

  • 分布式数据上的条件平均处理效应估计：一种保护隐私的方法

    我们提出了一种名为数据协作双重机器学习（DC-DML）的方法，用于估计具有隐私保护的分布式数据的 CATE 模型，并通过数值实验对该方法进行了评估。

    Feb, 2024

  • 学习反事实表示以估计个体剂量 - 反应曲线

    本文通过机器学习方法和神经网络构建一个新的潜在结果框架，通过表现指标、模型选择标准、模型架构和基准实验估算个体剂量反应曲线，确定在估算个体剂量反应方面的最新技术水平。

    Feb, 2019

  • 通过大规模因果方法和多任务学习进行降低偏差的后点击转化率估计

    本文介绍了针对电子商务推荐系统中转化率估计的两种高效的估计方法，基于多任务学习框架解决了选择偏差、数据稀疏等问题，并通过实验表明其优于现有的 CVR 模型。

    Oct, 2019

  • 基于树模型平均法的个体化治疗效果估计：异质数据源的应用

    本研究提出了一种基于树模型进行模型平均的方法，旨在提高分布式数据网络下个性化治疗效果 (CATE) 估计精度，包括通过站点划分与模型组合来建模数据源异质性等。该方法通过真实世界数据的研究和全面的仿真实验表明其性能和提高治疗效果估计的实用价值。

    Mar, 2021

  • 反事实增强数据的有效性研究

    研究表明，尽管预训练语言模型在自然语言理解基准测试上表现出色，但它们往往依赖于虚假的相关性并且对分布外数据的推广效果差，最近的工作探索使用反事实增强数据（CAD）-- 通过最小程度的扰动示例来翻转基本事实标签的数据 -- 来识别在分布移位下不变的强健特征，然而，使用 CAD 进行分布外泛化的实证结果存在异议。

    Jul, 2021