- 用于估计因果效应的组合模型
通过分解结构化系统,以及模型设计和计算单元级潜在结果以及整合成单位级潜在结果,实现了对因果效应的估计,并在因果推断中发现了分解方法的新优势:对未知组件组合的反事实结果进行系统泛化,以及与传统方法相比,在治疗和对照组之间提供了更好的重叠保证。
- ICML潜在混杂因素下的 LiNGAM 模型中的因果效应识别
研究在具有潜在变量的线性非高斯无环模型 (LiNGAM) 中因果效应的通用可识别性问题。针对已知先验的因果图和未知因果图两种情况,对观察变量之间可识别的直接或总因果效应提供了完整的图形特征化,并提出了有效的算法来验证图形条件。最后,提出了重 - 神经因果部分识别的一致性
Neural Causal Models (NCMs) 是用于自动识别和部分识别因果效应的神经生成模型的研究。本研究证明了在具有连续和分类变量的一般情况下,通过 NCMs 进行部分识别的一致性,并强调了神经网络架构的设计、深度和连接性以及训 - CausalPlayground: 应对前沿因果性研究中的数据生成需求
通过引入 CausalPlayground,我们解决了当前数据生成库的不足之处,提供了一个标准化的平台用于生成、采样和共享结构性因果模型,从而促进了该领域中更高效和可比较的研究。
- 因果 K 均值聚类
基于 Causal k-Means Clustering 的新解决方案,利用非参数效率理论和双机器学习开发了一种新的偏差校正估计器,在大非参数模型中实现了快速的平方根 - n 收敛速度和渐进正态性,特别适用于具有多个处理水平的现代广泛研究。
- 随机超平面剖分的因果效应估计
我们提出了一种简单、快速而又高效的匹配方法,使用随机超平面分割来估计因果效应,它在大维度的协变量下优于传统匹配技术,并与最先进的深度学习方法竞争,并避免了计算昂贵的深度神经网络的训练。
- 评估大型语言模型的干预推理能力
评估大型语言模型在干预作用下准确更新其对数据生成过程的知识的能力,以及对因果推断中不同因果图和变量类型的干预性推理的研究。研究结果表明,虽然 GPT-4 模型在预测干预效果方面表现出有希望的准确性,但它们对提示中的干扰因素仍然敏感。
- 利用泄漏工具限定因果效应
通过使用一个允许一定程度上违反排除性准则的泄露工具集合,我们提出了一种在线性模型中进行部分识别的新方法,其通过凸优化目标为平均处理效应提供可靠的下确界,并实现推断程序以量化结果估计的不确定性。
- 图神经网络用于治疗效果预测
使用图神经网络结合节点回归和消息传递机制,结合收集训练数据的策略,在大规模电子商务数据中实现对有限标记样本的因果效应估计。
- 双机器学习估计因果效应 -- 方法评估
通过对模拟数据和真实世界数据的性能比较,本文评估了一种名为 “双重 / 无偏机器学习”(DML)的方法,在估算因果效应时,使用机器学习放宽了传统假设的限制。我们发现,将灵活的机器学习算法应用于 DML 可以提高对各种非线性混淆关系的调整,从 - 基于图神经网络的双机器学习估计网络因果效应
我们的研究论文利用图神经网络和双机器学习的新方法,结合社交网络,有效地推断出因果效应,并证明该估计器在因果效应估计中具有良好的性能。
- 关系域中的提升因果推断
利用参数因果因子图的抬升推断算法,在概率图模型中加速计算关系领域的因果效应。
- 在功能依赖下识别因果效应
我们研究因果效应的识别,主要包括通过知道因果图中某些变量是由其父变量决定的来实现可识别性,以及通过排除某些功能性变量观察来降低所需的观测数据量。
- 估计年龄条件下的平均处理效应曲线:一种评估 NBA 负载管理策略的应用
通过引入新的分析框架,本研究对运动员的表现动态进行了量化,提高了对性能轨迹的细致分析,揭示了隐含的非线性模式,并通过定义年龄条件化治疗效应(ACTE)的方式,探索了年龄对治疗效果的因果关系,最终发现个性化休息周期对运动员性能的积极影响,为优 - 跨数据源解缠估计因果效应
通过介绍一种创新的解耦架构,该论文旨在解决各方之间因数据特征分布导致的信息交流障碍,以提高因果效应估计的准确性。该方法通过组合共享和私有分支并引入全局约束来促进模型参数的无缝跨领域传输,并有效减轻各个缺失域中的偏差,实验表明其优于最先进的基 - 因果连续治疗效应估计的时空熵平衡
基于灵活的时间空间网格划分技术,本研究提出了一种以连续熵平衡为基础的因果连续处理的时空熵平衡方法(TS-EBCT),经过实验证明,在城市货运领域应用 TS-EBCT 方法后,因果效应的预测准确性显著提高,为公司的补贴和定价策略带来良好的商业 - 固定效应下的静态面板模型的双机器学习
我们开发了从面板数据中估计政策干预措施的估计量,允许混淆回归因子的非线性效果,并使用三个著名的机器学习算法(LASSO、分类和回归树以及随机森林)来研究这些估计量的性能。
- EMNLP从文本中进行因果推断:揭示变量之间的相互作用
从观察性文本数据中估计因果效应时,考虑潜在协变量的调整至关重要。然而,现有方法只考虑影响治疗和结果的混杂协变量,可能导致偏倚的因果效应估计。本研究旨在通过揭示不同变量之间的相互作用来解开估计文本因果效应时的非混杂协变量,从而减小偏倚。解开过 - EMNLP文本传输:朝着学习自然语言的因果效应迈进
通过介绍 Text-Transport 方法,本文研究了语言技术对读者感知的影响,提出使用分布转移的估计器来传输因果效应,在自然语言数据分布改变的情况下具备统计保证,并应用于研究社交媒体上的仇恨言论,展示了进行自然语言因果推断时传输的必要性 - 无正性政策学习的观测数据
利用观察数据进行政策学习在各个领域中至关重要,本研究介绍一种新型的无正性假设的(随机)政策学习框架,用于解决实际场景中正性假设不可行的挑战,该框架利用增量倾向得分策略来调整倾向得分值,而不是将固定值分配给治疗方案,通过半参数效率理论建立了这