- 基于结构化神经网络的推荐器干扰下的治疗效果估计
推荐系统对于内容分享平台的个性化内容整理至关重要。 通过进行创作者方面的随机实验以估计治疗效应,定义为当新的(而不是现状)算法在平台上部署时,平台经常评估面向内容创作者的推荐系统更新。我们展示了标准差异估计量可能导致偏倚的治疗效应估计。这种 - 深度序列模型的治疗反向概率加权使得能够从电子健康记录中准确估计治疗效应
利用倒数概率处理权重的方法和深度序列模型通过渗透记录直接估计治疗效果,解决时间相关混杂对结果估计的偏差问题。
- 预测个体治疗效果的共形蒙特卡洛元学习器
利用条件平均治疗效果 (CATE) 估计器的一种新方法,结合符合性预测系统、蒙特卡罗采样和 CATE 元学习,以提供在个体化决策中使用的预测分布,并展示噪声分布的特定假设会对不确定性预测产生重大影响,然而,CMC 框架在保持小间隔宽度的同时 - 数据融合学习工具变量进行治疗效果评估
本文提出了一种名为 Meta-EM 的统一框架,以重构源标签并将其建模为组工具变量 (GIV),从而实现基于仪器变量回归的治疗效应评估,该框架通过将原始数据映射到表示空间中以构建线性混合模型来估计分配治疗变量的分布差异和建模 GIV,并采用 - 通过基于试验评分的数据自适应加权结合现实世界和随机对照试验数据
通过控制混合对照组干扰和第一类错误,我们提出了一种新的临床试验分析方法,使用所选的真实世界病人,加权来自电子健康记录的治疗组病人,以增加试验效力。
- ICML激励遵守算法工具
本文研究了随机实验可能因参与者的潜在非合规性而容易受到选择偏差的影响,并提出了一个博弈论模型来研究动态行为对合规性的影响,该模型可估计每种治疗的治疗效应并将规划者的建议视为工具变量。
- 利用连续解混进行因果推断及处理未观测到的混淆因素
本文介绍了一种新的去混杂方法:顺序去混杂 (SD),解决了存在未观察到的混杂因子情况下, 序列化医疗决策难题,并证明了该方法可以准确估计单个个体在时间上的治疗反应。
- 治疗效果异质性建模和提升建模的统一调查
这篇论文通过潜在结果框架,提出了个性化医疗、社会研究和个性化营销等领域中利用治疗效果异质性调节来实现不同个体特征之间异质性处理效应估计和提高模型的研究方法,并对现有方法进行了结构性概述和主要应用程序的综述。
- 未观测到的混淆因素对条件和平均处理效应的界限
本研究提出了一种可扩展的损失最小化方法,用于估计有界效应的未观察混淆因素对治疗选择的倾向比的条件平均治疗效应(CATE)的界限。同时,还引入了灵活的模型类别进行估计,并提供了关于平均治疗效应(ATE)的灵敏度分析,我们发现最优边界在某些情况 - NIPS基于行动中心的上下文分组赌博机算法
为延伸时间不变线性模型假设限制,我们提出了一种上下文 Bandits 的线性模型扩展,该模型具有基线奖励和处理效应两个部分,并已在移动健康研究中做了实验证明其有效性。
- 正交机器学习:能力和限制
通过使用 Neyman 正交矩方程,双机器学习提供了根号 n 一致的估计,即使在 n ^(-1 / 4)率下估计高维或非参数干扰参数。
- Synth-Validation: 为给定数据集选择最佳因果推断方法
本文提出了 synth-validation 方法,并使用它来估计在治疗效果研究中各种因果推断方法的估算错误,结果表明 synth-validation 方法能够降低预期的估计误差。
- 从决策论角度看统计因果
本文概述了决策论框架的统计因果关系,该框架适合于解决确定应用原因的效果的问题,并详细介绍了该方法,并与其他当前的公式进行了比较和对比,涵盖的主题和应用包括混淆,对待疗法的影响,工具变量和动态治疗策略。