用于估计因果效应的组合模型
本文提出了广义 Robinson 分解方法,用于处理结构化干预条件下的条件平均处理效应(CATE)估计问题。在小世界和分子图像的实验中,与之前的工作相比,我们的方法在 CATE 的估计方面表现更好。
Jun, 2021
通过开发一个全连接的神经网络,实现了 Bayesian Causal Forest 算法的神经网络因果推断架构,并将该方法应用于研究应激对睡眠的影响,展示了在模拟环境中性能的提升。
May, 2024
通过组合较小的生成模型构建大型生成系统,在数据分布中发现并学习更加节约数据的分布,实现对训练中未见的数据分布的泛化,并能够针对完全未见的任务编程和构建新的生成模型。此外,通过数据,我们还能够发现许多情况下的分离组成部分。
Feb, 2024
本篇论文从识别可表达性学习出发,将组合性视为数据生成过程的属性而非数据本身,并提出了仅取决于训练分布和模型架构的轻微条件,为组合泛化建立了理论框架,并验证了其应用于现实世界场景的结论,从而为组合泛化的原则性理论研究铺平了道路。
Jul, 2023
描述了一种利用因果思想构建复合泛化的方式,并建议将零样本推理视为查找 “哪种干预导致了图像?”; 提出了一种因果启发的嵌入模型,该模型从相关(混淆)训练数据中学习可视对象的基本部分的分解表示,用于预测属性 - 对象对的新组合。 在两个数据集上进行评估,结果比强基准方法有所改善。
Jun, 2020
本文综述了数据驱动方法在异质性治疗效应估计上的应用,分为基于反事实预测和直接估计因果效应的方法,还有从数据中学习模型结构的结构因果模型方法,并在不同结构模型机制下进行了实证评估。
Jan, 2023
本文从因果关系的角度出发,探讨了如何在超图中估计个体治疗效果 (ITE),并提出了一个新的超图神经网络框架以更好地建模高阶干扰。实验证明,与现有基线相比,我们的框架具有更好的表现。
Jul, 2022