- 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 - 条件工具变量回归与表示学习用于因果推断
本文研究了在存在未观察到的混淆因素的情况下,从观察数据中估计因果效应的复杂问题。我们使用条件性工具变量(CIV)来缓解标准工具变量方法中的无混淆工具变量条件,并提出一种基于混淆平衡表征学习的非线性 CIV 回归,CBRL.CIV,以非线性情 - 线性动力系统的因果结构恢复:一种基于 FFT 的方法
从时域观测中识别动态因果效应,利用频域表示进行因果推断以及使用多元维纳投影进行图形重构。
- 提升建模:从因果推断到个性化
利用提升建模以个体或子群组级别估计治疗效果的机器学习技术,是在线电子商务平台个性化的关键趋势之一,它能够选择最佳的治疗方案以最大化目标业务指标。研究探讨了引起潜在效益和潜在成本之间权衡的个性化促销活动,并介绍了新兴的提升建模技术。还讨论了不 - 估计观测网络数据因果效应的泛化界
通过利用基于联合倾向性评分的重新加权模式和基于积分概率度量的表示学习模式,在网络情景中推导出因果效应估计的泛化界限,从而支持减轻复杂的混淆偏差并在原则性上指导学习目标的设计,通过分析泛化界限提出一种基于联合倾向性评分和表示学习的加权回归方法 - 可证明的部分可观测上下文赌博机中的高效学习
我们研究了部分可观察环境下的上下文马尔可夫决策过程中的迁移学习问题,通过优化问题将其转化为识别或部分识别动作和奖励之间因果效应的问题,并通过线性规划的顺序求解来获得相容的因果模型,并在考虑估计误差的情况下获得因果边界。我们的采样算法提供了适 - 具有差分隐私的因果推断(聚类)结果
基于随机实验估计因果效应只有在参与者同意透露潜在敏感回应的情况下才可行。我们提出了一种新的差分隐私机制 “Cluster-DP”,通过利用数据的任何给定的聚类结构来实现更强的隐私保证和更低的方差损失,同时仍然允许因果效应的估计。
- 因果效应正则化:自动检测和去除假冒属性
本文提出了一种方法,通过估计标签对因果效应的影响来自动识别虚假属性,并使用正则化目标来减轻分类器对它们的依赖性,优于先前方法,特别是在虚假相关性高的情况下,并在噪声影响下缓解了对虚假属性的依赖。
- 神经 NLI 模型中自然逻辑特征的因果效应估计
本文探讨了如何评估语义特征对语言模型预测的因果效应以及如何利用因果分析方法构建比较模型来评估 NLI 任务,强调因为可解释性和模型评估的需要,对于具有足够结构化和规律性的推理模式进行系统分析是非常有价值的
- 基于动态控制匹配的大规模自适应测试验证
本文提出了一种在动态同时运行多个测试并持续适应的条件下,使用匹配的合成控制组来分离各种测试因果效应的方法,以应对现代企业对 A/B 测试的需要。
- 线性时间内找到前门调整集
本文提出了一种基于有向无环图 (DAG) 的前门调整线性时间算法,可在 O (n+m) 的时间内发现满足前门准则的集合,因此达到渐进最优时间复杂度,并提供了一个算法以 O (n (n+m)) 的延迟列出给定 DAG 中所有前门调整集。
- AAAI使用深度生成模型的条件工具因果推断
本文提出了一种基于深度生成模型的数据驱动方法,用于从含有潜在混淆因素的数据中学习条件工具变量及其调节集的信息表示,并实现平均因果效应估计。通过大量的合成和实际数据实验,证明该方法优于现有的 IV 方法。
- 通过模态逻辑形式化统计因果关系
提出了一个形式语言 StaCL,用于描述和解释统计因果关系,并可用于进行因果推断和推导 Pearl 的 do-calculus 规则。
- 关于因果背景知识的表示及其在因果推理中的应用
本文提出了一种新方法 —— 称作直接因果子句(DCC)来表述所有类型的因果背景知识,分析因果背景知识的一致性、等价性,任何因果背景知识集合都可分解成一个因果 MPDAG 和一个最小剩余 DCC 集合,并提供了用于检查一致性、等价性和查找分解 - 可解释的深度因果学习用于调节效应
本文介绍一种新的深度反事实学习架构,旨在解决因果机器学习模型中的可解释性和定向正则化问题,并演示了其在估计个体治疗效果方面的应用。
- ICML定位因果效应的最小成本干预设计
使用最少的干预设计来识别可辨识别的因果效应问题是 NP-hard 且与最小打击集问题有联系,提出了一个算法来找到最优解或其对数近似,同时提出了多项式时间的启发式算法来解决计算复杂性问题。
- AAAI从病人轨迹估计平均因果效应
本文介绍了 DeepACE,一种基于深度学习的方法,旨在从医疗数据中估计平均因果效应(ACE),并提供了包括病人个体特征在内的时间变化的观测数据。实验结果表明,DeepACE 在性能上达到了最先进的水平,并可生成对临床实践有意义的结果,从而 - WSDM使用多模态代理估计多方面在线评论的因果效应
本研究通过分析多个方面的包括食品和服务等的用户生成的在线评论,使用观察数据识别并估计各方面的因果效应,并提出了一种利用多模态变量的方法,如消费者个人信息和消费者与企业之间的互动,以克服隐变量存在的挑战。实证评估表明该方法的有效性并为用户提供 - AAAI无监督对抗故事编辑
提出了一种基于 EDUCAT 的反事实故事重写的无监督方法,该方法包括基于对 what-if 条件的因果效应估计来检测目标位置的策略,然后在流利性、连贯性和最小编辑约束条件下生成故事。在公共反事实故事重写基准测试上的评估表明,EDUCAT - ICMLDoWhy:处理因果假设表述及验证的挑战
DoWhy 是一个基于因果图的框架,旨在明确表述因果假设并提供多个验证测试来检查这些假设的子集,以便更好地估计因果效应估计值。