非因果预测模型的因果微调和效果校准

Jun, 2024

非因果预测模型的因果微调和效果校准

Causal Fine-Tuning and Effect Calibration of Non-Causal Predictive Models

Carlos Fernández-Loría, Yanfang Hou, Foster Provost, Jennifer Hill

TL;DR通过使用实验数据改进非因果推断的非因果模型以提高性能，并展示了其在不同因果任务中的有效性和实际应用优势。

Abstract

This paper proposes techniques to enhance the performance of non-causal models for causal inference using data from randomized experiments. In domains like advertising, customer retention, and precision medicine, non-ca

non-causal models causal inference causal fine-tuning effect calibration experimental data

发现论文，激发创造

将预测模型与因果效应估计相结合

本文探讨了如何通过建立因果推断模型来估算特征对结果的因果影响，从而实现个性化决策制定。同时，本文还研究了当该模型满足特定条件时，它可以像最先进的因果效应估计方法一样准确地估计特征的因果效应，呈现出良好的健壮性和可解释性。

Apr, 2023

通过因果推断保留预训练语言模型中的常识知识

通过在因果图上探索，本文发现灾难性遗忘的关键在于缺失来自预训练数据的因果影响，提出了一种统一的微调目标以恢复因果关系，将该方法实现在常识 QA 上的结果表明其有效性。

Jun, 2023

利用不确定性感知模型识别因果推断失败

在高维数据领域，我们提出了一种将不确定性估计融入到个体层面因果估计中的实用方法，这种方法能够优雅地处理 “没有重叠” 的情况，并在实际应用中处理协变量转移，既能避免过度自信，又可在预测不可信时提醒决策者，在处理方面超越其不关注不确定性的对应物。

Jul, 2020

使用不变预测进行因果推断：识别和置信区间

利用因果模型在干预下的预测不变性，我们提出一种方法来推断因果效应并构建高概率的因果模型集合。这个方法可以在各种不同实验设置下得出有效的置信区间，并研究了其鲁棒性和推广性。

Jan, 2015

基于预测的因果推断的普适化

给定一个随机对照试验，从中推理因果关系可能与一些效应修饰因子不同分布的目标人群无关。我们利用一个附加的观察研究学习到的预测模型，无需对该研究做任何假设来补充试验数据，提出了能够更好地推广试验结果的算法，并以理论和实证的方式展示了当观察研究是高质量时，我们的方法能够更好地推广，即使存在未测的混杂变量等情况仍能保持稳健。

Jun, 2024

有关重大决策的通用反事实解释模型

该研究提出了一种基于形式验证的算法，使用逻辑公式表示距离函数（目标）和预测模型（约束），解决满足性问题生成最接近的反事实解释，能够生成可行的多样化反事实解释来满足 100% 的覆盖率。

May, 2019

零样本因果学习

本研究提出了一种无需先前数据就可以预测新型干预效果的因果元学习框架 (CaML)，它是一种单一元模型，可跨越数千个任务进行训练，结合基于个体特征和干预信息的元特征，证明了在医疗和细胞实验中的有效性。

Jan, 2023

数据微调

该研究提出了数据微调概念，通过将其建模为数据（图像）扰动问题，不改变模型参数，为实现对给定模型的分类准确性改进。实验表明，该概念在三个公开数据集上得到了有效的检验。

Dec, 2018

解释反事实增强数据的功效

本文提出了一种基于因果模型的玩具模型，探讨了因果模型、测量噪声、跨领域泛化以及对虚假信号的依赖之间的有趣关系，并以大规模经验研究为基础，比较了用于创建 CAD 的跨度与关注区域和显著性图所选跨度之间的差异，发现对于 CAD，研究中提出的假说在许多领域和模型中都是显著的。

Oct, 2020

用快速对抗校准实现深度神经网络中值得信赖的预测

为了让实际应用的人工智能系统更加被广泛认知，模型的可信度至关重要。文章提出了一种新的训练策略，结合熵鼓励损失项和对抗校准损失项，以提高样本在领域世界偏移下的校准性和适应性。文章在不同的数据模式、数据集和网络架构上进行了全面的评估，结果显示该方法明显高于现有的最先进方法，应用于领域漂移下预测方面具有技术上的可信度。

Dec, 2020