- 因果下游任务中的幻象与虚假
机器学习和人工智能有潜力改变数据驱动的科学发现,通过准确预测多种科学现象。本文通过对治疗效果估计的因果推断任务进行研究,其中假设记录为高维图像的二元效果是在随机对照试验中进行的。我们发现,尽管这是最简单的设置且完全适合深度学习,但在文献中的 - AAAIKG-TREAT:利用知识图谱协同患者数据预训练的治疗效果估计
通过利用大规模的观察性病人数据和生物医学知识图谱,本文提出了一种新型的预训练和微调框架 KG-TREAT 来增强治疗效果评估,该方法构建了双重关注的知识图谱并整合了深度双层关注协同方法,通过对病人数据和知识图谱的深入信息融合,能够对治疗相关 - ICLR定义专业知识:治疗效果估计的应用
该论文指出决策者在领域内具有专业知识,并将其用于行动决策,进而提出专业知识应被作为归纳偏见来应用于机器学习中的治疗效果估计问题。作者定义了两种专业知识类型,即预测型和预后型,并通过经验验证了领域内主导的专业知识类型显著影响不同方法在治疗效果 - DoubleMLDeep: 多模态数据的因果效应估计
本文探讨了在因果推断和治疗效果估计中使用非结构化多模态数据(即文本和图像)的方法。我们提出了一种适应双机器学习(DML)框架,特别是部分线性模型的神经网络架构。我们还提出了一种新方法来生成半合成数据集,以评估在存在文本和图像混淆因素的情况下 - SubgroupTE: 提高子群组辨识的治疗效果估计
介绍了一种名为 SubgroupTE 的新型治疗效果估计模型,该模型在治疗效果估计中加入了子组标识,通过考虑子组特定的因果效应来更精确地估计治疗效果,并通过迭代优化子组划分和治疗效果估计网络来提高估计和子组识别的性能。
- 贝叶斯神经控制微分方程用于治疗效果估计
连续时间中的治疗效果估计对个性化医学至关重要,现有方法只关注潜在结果的点估计而忽略了不确定性估计,因此本文提出了一种用于连续时间中治疗效果估计的新型贝叶斯神经控制微分方程(BNCDE),通过神经控制微分方程和神经随机微分方程的耦合系统来建模 - 异质干扰下的治疗效果估计
通过开发一种从不同视角聚合信息的新架构,我们提出了一种模型异质干扰的新方法,包含图神经网络、不同视角信息的聚合机制和注意力机制,经过多个数据集的实验,证实了模型异质干扰建模的重要性。
- 机器反学习的因果推断
该研究将机器遗忘技术应用于因果推断,提出了一种基于神经网络的倾向分数模型的机器遗忘方法,通过选择性地删除实例和匹配的实例对,评估重新训练的模型并消除不需要的关联,实验结果表明机器遗忘方法的有效性,并通过倾向分数的分布和直方图分析展示无关联数 - ICMLDownstream Treatment 效应估计的贝叶斯因果探索方法基准测试
通过实施强大的评估程序,我们评估了六种现有的基线因果关系发现方法和一种基于 GFlowNets 的新方法,用于治疗效果估计,并提供了有价值的洞察力,考虑了合成和真实世界场景以及低数据场景。此外,我们研究的结果表明,GFlowNets 能够有 - 通过解耦潜在表示辅助临床决策的稀缺治疗
对于 COVID-19 患者的治疗决策仍然存在争议,本研究提出了针对个体化治疗分析的一种新方法,即 TVAE,它通过建模和预测病人的治疗需求和治疗效果,克服了治疗选择偏差和治疗案例不足等挑战。实验结果表明,TVAE 在预测 COVID-19 - 神经网络模型集成最近邻方法进行治疗效应估计
本文提出一种名为 NNCI 的新方法,旨在在神经网络模型中引入有价值的最近邻信息,以改善观测数据下的治疗效果估计,实验结果验证了该方法的有效性。
- 潜变量的工具变量回归混杂变量平衡
本论文研究了工具变量回归中未测量混淆因素和观测混淆因素不平衡引起的混淆效应,提出一种混淆平衡的工具变量回归算法 (CB-IV) 来无偏估计治疗效应,进一步提高 CB-IV 的性能,扩展引入了潜在变量模块 (CB-IV-L),实验证明了 CB - NESTER: 一种自适应神经符号方法用于治疗效果评估
本文提出了一种自适应方法,称为神经符号治疗效果估计器(NESTER),它是一种治疗效果估计的广义方法,可以将所有期望的治疗效果估计要素集到一个框架中。NESTER 基于文献中使用的归纳偏差,设计了一个专用语言(DSL)进行治疗效果估计。我们 - 受限治疗效应估计样例
本研究关注样本受限制条件下的治疗效果估计问题,基于线性效应模型设计了有效的实验方案和估算器,涉及随机控制试验、子集选择、划分以及采样等方法。
- KDD网络观察数据的治疗效果估计的图信息最大化对抗学习
本篇论文提出了一种基于网络结构的 Graph Infomax Adversarial Learning (GIAL) 模型用于处理不平衡网络结构下的治疗效果估计,并在两个基准数据集上展示了其优越性。
- 合并随机试验与观察性研究的因果推断方法:一项综述
本研究综述了长期以来在联合随机对照试验(RCTs)和观察研究中进行因果推断的方法,旨在实现 “两全其美”。作者首先讨论了提高观察数据代表性的 RCTs 的识别和估计方法,然后探讨了将 RCTs 和观察数据结合使用以确保观察分析的无瑕性或提高 - 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。
- 平衡、回归、差异中的差别和合成控制方法:综合
本文提出了一种基于合成控制的治疗效果估计方法的加权平均的一般化模型,其中权重可以为负且总和不为一,通过正则化方法解决可能存在的大量可能的对照组。
- 随机实验中的高维回归调整
本文提出了一种用于高维协变量信息下随机实验治疗效果估计的风险一致回归调整的方法,并建议使用交叉估计方法来获得有限样本无偏的治疗效果估计,最后对自适应规范搜索和机器学习方法如随机森林或神经网络等进行了拓展分析。