- KDD隐藏混淆下的共形反事实推断
个性化决策需要对不同处理方法下的潜在结果有所了解,并且关于潜在结果的置信区间能够丰富决策过程并提高其在高风险场景下的可靠性。本研究提出了一种基于推断加权拟合预测的新方法 wTCP-DR,他能够在存在隐性混淆的情况下提供对反事实结果的置信区间 - 反事实推断的逻辑与因果推导的认识论
2021 诺贝尔经济学奖表彰了因果推理的一个理论,值得从哲学角度更多关注。为此,本文发展了一个辩证法,扩展了对逻辑原则条件排除中间的刘易斯 - 斯塔尔纳克辩论,并提出一种新的因果推理理论,保留了原理论的成功但摒弃了条件排除中间。
- 机器学习中因果推断简介
这篇研究论文旨在介绍数据科学中的因果推理对机器学习的重要性,包括因果推理的原则、机器学习的应用,以及与之相关的扩展视野和知识,特别关注机器学习中的分布外泛化问题。
- CIER:一种基于因果推断的深度强化学习经验回放新方法
在深度强化学习(DRL)的训练过程中,面对训练量和模型复杂度的增加,如何提高数据利用和 DRL 训练的解释性仍然是一个具有挑战性的问题。本文通过关注时间序列中的时间维度内的时间相关性来解决这些挑战,并提出了一种将多变量时间序列分割为有意义子 - 在空间干扰存在的情况下估计时空干预的直接和间接因果效应
基于深度学习的潜在结果模型及其在时空因果推断中的应用:通过扩展潜在结果框架,在无未测混淆的情况下对时变治疗分配中的空间干扰进行形式化,并利用潜在因子建模来减少因时变混淆引起的偏差,同时利用 U-Net 架构捕捉数据随时间的全局和局部空间干扰 - 从缓慢变化的非平稳过程进行因果推断
通过时间可变滤波器和稳态噪声,利用非平稳性在双变量和网络设置中实现因果识别的一种新型受限结构因果模型,使用高阶和非平滑滤波器的各种合成和实际数据集评估了我们提出的方法的有效性。
- 离线强化学习中的领域外适应性:通过因果规范化流进行反事实推理
通过因果推论而非策略正则化方法,本文提出了 MOOD-CRL(基于模型的线下 OOD 自适应因果强化学习)算法,旨在解决离线策略训练中的外推挑战。通过基于数据不变性、基于物理学的定性因果图和观测数据,我们开发了一种新的学习方案,以学习定量结 - 深度学习用于因果推断:异质处理效应估计体系结构的比较
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。
- 一个用于完全可解释的出行行为分析的深度因果推理模型
CAROLINA 是一个明确模拟旅行行为因果关系、提高预测准确性并保持可解释性的深度因果推论模型,通过深度学习和传统离散选择模型相结合,在虚拟现实行人过街行为、伦敦的出行偏好行为以及合成数据等案例研究中展示了我们提出模型在揭示因果关系、预测 - ALCM: 自主 LLM 增强因果发现框架
通过自动化生成更稳健、准确和可解释的因果图,本研究展示了一种新的框架 —— 自主 LLM(Large Language Models)增强因果推理框架(ALCM),整合了数据驱动的因果推理算法和 LLMs,以提高因果推理的效果,并强调了利用 - ICLR认识邻近效应:在干涉下建模选择偏差
推荐系统中的选择偏差源于系统过滤和用户选择的交互过程。本研究从因果推断的角度,形式化地将邻域效应作为干预问题,并引入治疗表示来捕捉邻域效应。在此基础上,我们提出了一种新的理想损失函数,用于处理具有邻域效应的选择偏差问题。我们进一步开发了两种 - 一个通用因果推断框架用于横断面观察数据
基于进化驱动的有向无回路图的马尔可夫属性,本文提出了一种针对横断面观测数据的通用因果推断框架 (GCI),能准确识别关键混杂变量并提供相应的识别算法,从而有效改善观察研究中因果推断的精确性、稳定性和可解释性。
- ICML协同异质因果推断 —— 超越元分析
本研究提出了一种用于处理异质数据的协作逆倾向得分加权估计器,在协作中调整分布转移,从而在异质性增加时显著提高性能,提出了一种联邦学习算法来在保持隐私的同时协作训练结果模型,并通过合成和真实数据集展示了方法的优势。
- SIGIR解开基于 Session 的推荐中 ID 和模态效应的影响
提出了一种新的框架 DIMO,通过解开 ID 和模态性在任务中的效应,实现了准确且可解释的推荐,通过因果推断进一步生成两个模板用于解释。
- 药物推荐的关系发现
DisMed 是一个基于因果推断的模型,通过深入研究患者状况并将其直接映射到相应的药物,提高了个性化推荐的准确性和安全性。
- 基于 Patch 训练的多标签图像分类的反事实推理
通过因果推断的方法,我们提出了一种反事实推理方法来解决多标签图像分类中的过拟合问题,并实现了在多个基准数据集上达到最先进性能的验证。
- 无配对多模态数据的倾向得分匹配
通过借鉴因果推断中的潜在结果与多模态观察中的潜在视角的类比,本研究提出了一种方法来解决多模态表示学习中异质模态样本的对齐问题。该方法假设我们通过实验处理来收集样本,并使用此来估计每个模态的倾向得分,从而定义了样本之间的距离。实验结果表明,使 - 决策策略在混淆下的预测性能比较
我们提出了一种方法来比较决策策略的预测性能,该方法结合了因果推断和离线评估文献中的现代识别方法,并使用我们的框架在真实世界的医疗保险注册政策的预部署评估中进行了应用。
- ACL人类语言模型协作的因果推断
在本研究中,我们研究了人类和语言模型 (LMs) 之间的协同动力学,其中互动通常涉及 LM 提出文本段落而人类对这些提案进行编辑或回应。通过历史上人类和 LM 之间的相互作用,有效地与 LM 进行互动需要人类识别出适当的基于文本的互动策略, - CVPR数据无关的去卷积知识蒸馏处理分布转移
数据无关知识蒸馏是训练高性能小模型以增强实际部署的有希望的任务,本文提出了一种新颖的因果推断视角来解决在 DFKD 任务中的严重分布偏移问题,并设计了一种基于反向调整的知识蒸馏因果干预框架(KDCI),实验证明了其有效性。