- 自抽取去缠结学习用于反事实预测
基于信息论的自我蒸馏位解缠框架,通过互信息最小化提供理论上可靠的独立位解缠表示,以促进存在观察和未观察混杂变量的反事实推理。
- 一个对不诚实赌场的反事实分析
通过引入结构因果模型,本研究使用线性规划方法求解在动态隐藏马尔可夫模型中与作弊有关的预期收益的界限,为因果推断中的反事实推断提供了限制,同时对教育背景下的反事实推断产生了积极影响。
- CVPR基于文本的图像编辑的双重可推理对策
我们通过反事实推理的单一图像的基于文本的图像编辑(TBIE)进行研究,因为它是一个精确解决要求的优雅表述:编辑后的图像应保留原始图像的保真度。通过这个表述,我们发现 TBIE 的症结在于现有技术很难在可编辑性和保真度之间取得良好的折衷,主要 - 马尔可夫决策过程中的反事实影响
我们的工作解决了马尔可夫决策过程中反事实推断的基本问题,介绍了基于对比反事实和干预分布的影响比较的算法构建反事实模型,并推导出非最优政策以适应观察路径时的影响约束。
- 利用反事实推理的因果生成解释器:以 Morpho-MNIST 数据集为案例研究
提出使用因果生成学习作为解释图像分类器的可解释工具,利用生成对事实推理方法研究视觉特征和因果因素对分类器决策的影响,提供了针对可解释因果数据集的对抗解释方法,通过与 OmnixAI 开源工具进行对比,发现我们的方法提供的对事实解释更可解释, - VLUCI: 可变学习未观测混杂因素用于反事实推断
我们提出了一种新颖的变分学习模型 VLUCI,用于反事实推理中不可观测混淆因素的生成后验分布,通过解离可观测和不可观测混淆因素,VLUCI 构建了一个双重变分推理模型,以近似不可观测混淆因素的分布,从而用于推断更准确的反事实结果。对合成和半 - 通过生成对抗网络对连续处理进行因果推断的解缠表示学习
我们提出了一种用于连续治疗的去混淆表示学习 (DRL) 框架,通过生成与治疗变量解耦的协变量表示来进行反事实结果估计。该框架是一个非参数模型,能够消除治疗与协变量之间的线性和非线性依赖关系,并在模型中嵌入了反事实推理网络以实现去混淆和可信的 - 模拟对事实的反事实情况
提出一种用于模拟具有离散和连续变量条件的反事实分布的算法,该算法可用于粒子滤波器,可应用于信贷评分中的公平性分析。
- 曲率敏感模型的连续结果部分反事实识别
本文提出了一种新的敏感度模型 —— 曲率敏感度模型,与传统方法相比,该模型可以实现连续结果的部分反事实证明,并且可以通过对函数的级集进行曲率限制来获得信息,同时还提出了一种 Deep generative model 模型,并通过实验证明了 - 异质性治疗效果评估的动态治疗信息共享
本文提出了一种基于深度学习的框架,用于训练通过软权重共享的超网络实现不同处理组之间的动态端到端信息共享,并解决了现有 CATE 学习者在训练时需要将数据拆分为潜在结果函数的问题,增加了新型的不确定性感知 CATE 学习者类 HyperCAT - 使用反事实推理和对抗偏差学习去除偏见的立场检测模型
本文研究了如何缓解立场检测中数据集偏差的问题,通过借鉴因果效应的基本框架,我们使用对事实推理来建模并减少文本部分的数据集偏差,同时提出了一种对抗性偏差学习模块来更准确地建模偏差特征。实验证明,我们的模型在原始数据集和大部分新构造的测试集上优 - EMNLP基于视角转换的反事实数据增强方法在开放域对话中的应用
本文提出了一种数据增强方法以及筛选技术来增加开放域对话系统数据集中不同语义的高质量回复,通过对事实的推理来推断出具有不同语义的回复,并过滤掉有害的增强回复,实验结果表明,该方法可以在多个下游任务中胜过竞争基线。
- MM自适应实验设计与反事实推断
本文讨论了使用自适应实验设计方法在非稳态的工业环境下进行实验的挑战和陷阱,提供了在这些环境中的正确目标和系统规格的不同观点,并基于这些经验开发了一个自适应实验设计框架用于对照推断,并在商业环境中进行了测试。
- AAAI利用因果图归一化流实现社会科学中的个性化公共政策分析
本文提出了一种名为因果图标准化流(causal-Graphical Normalizing Flow,c-GNF)的方法,旨在促进个性化公共政策分析(P3A)的实现,讨论了传统方法在计数事实推断方面的局限性,并展示了 c-GNF 方法在因果 - 通过结构因果边际问题进行因果推断
本研究提出了一种基于多个数据集合并信息的反事实推断方法,使用响应函数形式化分类 SCMs,减少允许的边缘 SCM 和联合 SCM 的空间,从而突出了通过附加变量而不是通过附加数据的一种新的可否证明模式。
- ICML对比后验混合用于反事实推断、数据集成和公平性
采用条件 VAE 框架,提出了对抗后验的混合对比(CoMP)方法,以实现潜在空间中表征和条件变量之间的独立性,达到批次效应矫正和反事实推断。实验结果表明 CoMP 在人体肿瘤样本与癌细胞系之间的对准和单细胞 RNA 测序数据的批次校正等任务 - KDD消除推荐系统中流行度偏见的模型无关反事实推理
通过因果推断的方法,该研究提出了一种解决推荐系统中流行物品偏差问题的可行的新思路,并采用多任务学习和反事实推断来实现此方案,有效地改善了 Matrix Factorization 和 LightGCN 等现有推荐算法。
- SIGIR点击可能是作弊的:反事实推荐以减轻标题党问题
本研究提出了一种基于因果图和反事实推断的建议模型,以减轻用户面对过多的机械预测的问题,并明显提高了用户在现实世界中的满意度。
- 学习分解表示以进行因果推断
该研究提出了一种基于 “协同学习” 框架的方法来识别混淆变量并通过样本重新加权技术与反事实推理方法同时准确估计处理效应。
- 可控反事实推断的深度结构因果模型
利用深度学习组件建立结构因果模型 (SCMs) 的一个通用框架,采用正则化流和变分推断实现外生噪声变量的易处理推断,并验证其在 MNIST 和医学图像数据上的有效性,提出了 SCMs 可以回答所有 Pearl 因果逻辑的逆因果推断问题的思路