- 基于变分自编码器的连续处理效应估计的解耦表示
本文提出了一种利用变分自编码器(DRVAE)实现剂量响应曲线估计的新方法,通过将协变量分解为仪器因子、混淆因子、调整因子和外部噪声因子,从而在连续治疗情景下平衡分解的混淆因子,以实现治疗效果的估计。大量对合成和半合成数据集的实验结果证明,我 - 因果对照学习在时间上的反事实回归
本文提出了一种独特的时间反事实回归方法,通过强调长期预测,强调使用循环神经网络(RNN)进行长期预测,结合对比预测编码(CPC)和信息最大化(InfoMax),避免使用计算昂贵的变换器,捕捉到存在时间变化的混杂因素中的长期依赖关系,通过最大 - 具有因果关系图约束的神经网络:一种新的治疗效应估计方法
近年来,对使用机器学习技术估计治疗效果的兴趣逐渐增长。本文讨论和分类了这些模型的算法归纳偏差,并提出了一种考虑因果图中的附加信息的新模型 NN-CGC,通过对模型实施新的约束,解决了来自虚假变量相互作用造成的偏差,并且可以与其他表征学习方法 - 合成对照下的自适应实验设计
提出了一种名为 Syntax 的试验设计,通过在多个亚人群中形成合成控制来估计治疗效果,以识别对治疗有效果的亚人群,从而解决患者对同一治疗方式反应不一致的问题。
- 用于阿片类药物使用障碍的个性化医学中基于亚种识别的异构性治疗效果估计
本研究介绍了一种名为 SubgroupTE 的新型神经网络框架,该框架结合了亚群识别和治疗效果估计,通过考虑治疗反应的异质性,为每个亚群同时估计治疗效果,从而提高了治疗效果估计的准确性。在合成数据上的比较实验表明,SubgroupTE 在治 - 发展援助的成本效益分配的因果机器学习
发展援助的因果机器学习框架可用于预测不同援助金额的异质性治疗效果,从而在全球实现可持续发展目标,尤其是对于传染病如 HIV / AIDS 的援助分配有重要作用。
- 异方差对提升建模的影响
我们的研究表明,训练数据中的异方差性可能导致提升模型排名的偏差:具有最高治疗效果的个体可能会大量积聚在排名的底部,我们理论上解释了异方差性如何偏倚提升模型的排名,并通过模拟和真实数据展示了这一过程。我们认为异方差性导致的排名偏差问题可能出现 - 间接实验的自适应仪器设计
间接实验通过利用(条件)工具变量来估计治疗效果,提供了一种有价值的框架,适用于无法进行随机对照试验(RCT)的情况。本文提出了通过自适应设计数据收集策略来提高间接实验的样本效率的实际计算流程,通过在各个领域进行实验展示了该方法如何显著提高间 - 因果动态变分自编码器用于纵向数据的对因回归
在精确医学、流行病学、经济和市场等多个领域中,估计随时间变化的治疗效果是相关的。本研究提出一种基于未观察到的风险因素的个体治疗效果估计方法,结合动态变分自动编码器 (DVAE) 框架和使用倾向得分的加权策略,准确估计反事实回应和捕捉纵向数据 - 慢性疾病的因果可解释进展轨迹分析
本研究提出了一种名为因果轨迹预测(CTP)的新模型来克服现有机器学习模型在提供因果可解释预测和估计治疗效果方面的局限性,通过将轨迹预测与因果发现相结合,准确预测疾病进展轨迹并揭示特征之间的因果关系,从而加强模型的可解释性和为临床决策提供有价 - 用于因果效应估计的校准倾向得分
通过对倾向得分模型进行重新校准,可以提高因果效应估计的准确性,进而降低在高维基因组关联研究等任务中的计算要求。
- B-Learner: 针对潜在混淆的异质因果效应准 - Oracle 界限
本研究提出一种称为 B-Learner 的元学习器,可以在隐含混淆的限制下有效地学习 CATE 函数的尖锐界限,该方法具有有效、尖锐和高效的性质,在更一般的条件下,其估计量具有拟神谕性质。
- ICML在存在潜在混淆变量情况下,估计连续时间中的治疗效果
本文通过应用神经微分方程建立潜在因子模型,使用随机控制微分方程和 Lipschitz 限制卷积操作,不断纳入关于进行中干预和不规则的样本观测的信息,以在动态时间设置中存在隐藏因素的情况下连续估计处理效应。
- 在网络下异质干扰下学习个体化治疗效果
本论文提出了一种新算法 ——Dual Weighting Regression (DWR),其通过学习注意力权重和样本权重来解决网络场景下的干扰异质性问题,同时实验表明该算法优于目前的其他算法。
- 治疗异质性下的倾向分数回归因果推断
本文提出了一种借助倾向得分回归进行非参数估计的方法,以探究在人群的不同特征下治疗效果的差异,其计算效率高且不受干扰。通过在 NHFS 数据上应用该方法,研究了不同年龄组人群接种疫苗和带薪病假对季节性流感的影响。
- 半参数估计长期治疗效果
本文介绍了一种半参数方法,它可以将短期和长期结果的试验与观察性测量组合起来以估计长期治疗效果,并分析了一个扶贫计划的长期影响的数据进行了仿真测试。
- ICML因果推理中的敏感性分析的 Hölder 界
本文使用 H"older 不等式,通过度量未观察到的混杂因子 U 对结果 Y 的影响,探究了处理 T 对结果 Y 的作用的区间估计与置信度的问题,并提出了一种基于总变异距离和条件期望值偏差的边界方法和校准策略。
- CATE meets ML -- 条件平均处理效应与机器学习
这篇论文主要讨论了利用机器学习和计量经济学方法来预测及估计治疗效果中的个性化处理效应,作者使用了 meta-learner,比如的 Doubly-Robust, R-, T - 和 X-learner,以及专门设计来估计 CATE 的工具如 - 通过正交正则化估计平均治疗效应
本文提出一种基于正交性的正则化框架来估计平均治疗效果,并开发了基于此框架的深度正交网络来学习与治疗分配正交的结果,实验结果表明 DONUT 在估计平均治疗效果方面优于现有技术。
- 使用非参数回归模型估算个体治疗效果:一篇综述
本文旨在探讨在观察性或非全随机数据上进行因果推断的问题以及利用统计学习工具来解决这些问题。我们介绍了现有最先进的合适的框架,可通过非参数回归模型估计个体处理效应,并提出了模型选择问题,旨在利用某些方法对三个不同模拟研究的效果进行说明。最后,