关键词counterfactual outcomes
搜索结果 - 8
- 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。
- 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 - 因果图 ODE：多智能体动态系统的连续处理效果建模
通过使用图神经网络 (GNN) 作为普通微分方程 (ODE) 函数，我们提出了因果图普通微分方程 (CAG-ODE) 模型，该模型能够捕捉多个代理间的连续交互，并学习时间相关的处理表示，从而实现对潜在结果的准确预测。通过引入两个域对抗学习目 - AAAI使用梯度插值和核平滑的连续处理效应估计
通过对个体进行训练与推断逆因果结果的方法，改进了存在潜在相互影响的治疗分配与个体协变量之间的矛盾问题，提高了个体化连续治疗效果估计的准确性。
- 对比学习的反事实数据增强
引入了一种无模型数据增强方法来解决不同治疗组之间的统计偏差问题，通过学习表示空间和相似度度量，确保接近的个体拥有相似的潜在结果，从而可靠地预测替代治疗组中个体的反事实结局，并有效减小不同治疗组之间的差异，进而提高现有模型的性能和抗过拟合能力 - CF-GODE: 多智能体动态系统连续时间因果推断
本文研究了多智能体动态系统中的因果推断问题，提出了 CounterFactual GraphODE 的模型，以解决因果推断中的互依性问题，并用于预测连续时间的反事实结果。
- ICML使用神经控制微分方程连续建模对照结果
借助控制微分方程的数学，提出一种新方法用于处理不规则采样数据的因果推断任务，即治疗效果神经控制微分方程（TE-CDE），以便在任何时间点评估可能的结果，并通过对抗性训练来解决长期临床研究中的时间相关混淆问题。该方法在一系列不规则采样的临床情 - 用因果 Transformer 估计反事实结果
本文提出了一种基于 Transformer 的因果模型，通过特定设计的模型和训练方法，能够准确地对复杂、长期相关和混淆因素进行因果推理并估算出时间序列的反事实结果。