Flow IV: Counterfactual Inference In Nonseparable Outcome Models Using Instrumental Variables
Chalmers University of Technology（查尔姆斯理工大学）
本文提出Flow IV方法，通过工具变量和正常化流估计可逆结果函数，实现非可分离模型中的反事实推断。
2026-03-28 cs.LG stat.ML
VLUCI: Variational Learning of Unobserved Confounders for Counterfactual Inference
Jilin University（吉林大学）；Baidu（百度）
针对未观测混杂因子扭曲因果推断的问题，提出变分学习模型VLUCI，通过解耦观测与未观测混杂因子构建双重变分推断，提升反事实推断准确性并提供置信区间。
2023-09-07 cs.AI cs.LG stat.ME
From What Ifs to Insights: Counterfactuals in Causal Inference vs. Explainable AI
Institute of Service Science, National Tsing Hua University（服务科学研究所，国立清华大学）；Faculty of Business and Economics, University of Antwerp（商学院与经济学院，安特卫普大学）；Copenhagen Business School（哥本哈根商学院）
该研究对比了因果推断（CI）与可解释人工智能（XAI）领域中反事实概念的使用、评估、生成及落地差异，提出涵盖二者的正式定义，旨在发掘两领域交叉融合的机遇。
2025-05-19 cs.AI cs.LG econ.EM
Counterfactual Cross-Validation: Stable Model Selection Procedure for Causal Inference Models
Tokyo Institute of Technology（东京工业大学）；CyberAgent, Inc（CyAgent公司）
研究条件平均处理效应（CATE）预测中的模型选择问题。与以前的作品在这个主题上，我们专注于保持候选CATE预测的性能的排名顺序，使准确和稳定的模型选择。为此，我们分析了模型性能排名问题，并制定准则，以获得更好的评价指标。然后，我们提出了一种新的度量，可以识别CATE预测器的性能具有高置信度的排名。实证评估表明，我们的度量优于现有的度量在模型选择和超参数调整任务。
2020-07-16 cs.LG stat.ML
Counterfactual inference in sequential experiments
Department of Operations Research and Information Engineering, Cornell Tech（Cornell Tech 运营研究与信息工程系）；Department of Statistics, Harvard University（哈佛大学统计学系）；School of Information, University of Michigan（密歇根大学信息学院）；Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电气工程与计算机科学系）
针对自适应序贯实验，本文提出反事实均值的非参数潜在因子模型与最近邻估计方法，建立逐单元逐时间点的高概率误差界和渐近置信区间。
2025-06-08 cs.LG stat.ML
Advancing Counterfactual Inference through Nonlinear Quantile Regression
Carnegie Mellon University（卡内基梅隆大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；The University of Sydney（悉尼大学）
本文将反事实推断重构为扩展的非线性分位数回归问题，提出神经网络与双层优化框架，仅依赖观测数据和定性因果结构即可推断反事实结果，并给出泛化误差上界及优于现有方法的实证结果。
2024-02-28 cs.LG stat.ME
Function Driven Diffusion for Personalized Counterfactual Inference
我们考虑的问题，构建扩散算子高维数据$X$，以解决反事实的功能$F$，如个性化的治疗效果。我们提出并构建了一个新的扩散度量$K_F$，它既捕获了局部几何的$X$和方差的方向$F$。然后使用所得的扩散度量来定义$F$的局部过滤，并逐点回答反事实问题，特别是在诸如药物试验的情况下，其中无法长期研究服用和不服用药物的个体患者的结果。我们在合成和真实世界的临床试验中验证了该模型，并创建了从治疗中获益的个性化概念。
2017-04-12 stat.ML
De-confounding Representation Learning for Counterfactual Inference on Continuous Treatment via Generative Adversarial Network
School of Artificial Intelligence, Jilin University（吉林大学人工智能学院）；Baidu（百度）
针对连续处理反事实推理中现有方法依赖参数模型、仅消除线性混杂的问题，提出基于生成对抗的DRL去混杂表示框架，可消除非线性依赖，在合成和真实医学数据集上表现优于前沿模型。
2023-07-24 cs.AI cs.LG stat.ME
Cyclic Counterfactuals under Shift-Scale Interventions
Computer Vision and Pattern Recognition Unit Indian Statistical Institute（计算机视觉与模式识别单位印度统计研究所）
本文研究了在位移-缩放干预下循环结构因果模型中的反事实推断问题，提出了一种处理具有反馈环的系统的新方法。
2026-01-17 cs.AI cs.LG math.ST
Cost-Effective Incentive Allocation via Structured Counterfactual Inference
University of California, Berkeley（加州大学伯克利分校）；Ant Financial Service Group（蚂蚁金融服务集团）；Georgia Institute of Technology（佐治亚理工学院）；Shanghai Jiao Tong University（上海交通大学）
我们解决了一个普遍存在于现代营销活动中的实际问题，在这个问题中，中央代理试图学习一个政策，用于向客户分配战略性的财务激励措施，并只观察到强盗反馈。与传统的政策优化框架相比，我们考虑到在这种情况下常见的额外的奖励结构和预算约束，并开发了一个新的两步法来解决这个约束反事实的政策优化问题。我们的方法首先铸造的奖励估计问题作为一个补充结构的域适应问题，然后使用的估计优化的政策约束。我们还建立了我们的估计过程的理论误差范围，我们的经验表明，该方法导致显着改善合成和真实的数据集。
2019-11-11 cs.LG stat.ML
Counterfactual (Non-)identifiability of Learned Structural Causal Models
Massachusetts Institute of Technology（麻省理工学院）；Microsoft Research（微软研究院）
概率生成建模的最新进展促使使用深度条件生成模型（也称为深度结构因果模型（DSCM））从观测数据集学习结构因果模型（SCM）。如果成功，DSCM可以用于因果估计任务，例如，回答反事实的问题在这项工作中，我们警告从业者，即使在没有未观察到的混淆和假设已知的因果结构的情况下，从观察数据中得出的反事实推断也是不可识别的。我们证明了具有一维外生变量的单调生成机制的反事实可识别性。对于一般的生成机制与多维外生变量，我们提供了一个不可能的结果，反事实的可识别性，激励参数假设的需要。作为一种实用的方法，我们提出了一种方法来估计学习DSCM的反事实预测的最坏情况下的错误。这个错误的大小可以是决定DSCM是否是在特定问题设置中进行反事实推理的可行方法的基本度量。在评估中，我们的方法确认可以忽略不计的反事实错误的可识别的SCM从以前的工作，也提供了翔实的错误界限上的反事实错误的不可识别的合成SCM。
2023-01-22 cs.LG stat.ML
Adaptive Experimental Design and Counterfactual Inference
Amazon（亚马逊）；University of Washington（华盛顿大学）
自适应实验设计方法越来越多地被用于工业中作为一种工具，以提高测试吞吐量或降低实验成本相对于传统的A/B/N测试方法。本文分享了在非平稳性普遍存在的工业环境中天真地使用自适应实验系统的挑战和陷阱方面的经验教训，同时还提供了这些环境中适当目标和系统规格的观点。我们开发了一个自适应的实验设计框架，反事实推理的基础上，这些经验，并在商业环境中进行了测试。
2022-10-25 cs.LG stat.ME
Contrastive Mixture of Posteriors for Counterfactual Inference, Data Integration and Fairness
Microsoft Research（微软研究院）；BenevolentAI（BenevolentAI公司）；University of Oxford（牛津大学）；Human Technopole（人类技术园）
学习有意义的数据表示，可以解决诸如批量效应校正和反事实推理等挑战，是包括计算生物学在内的许多领域的核心问题。采用条件VAE框架，我们表明，边际独立的表示和条件变量之间起着关键作用，在这两个挑战。我们提出了对比混合后验（CoMP）的方法，使用一种新的错位罚款定义的混合物的变分后验来执行这种独立性在潜在的空间。我们发现，CoMP有吸引力的理论特性相比，以前的方法，我们证明了反事实的CoMP下的额外假设的可识别性。我们在一系列具有挑战性的任务上展示了最先进的性能，包括将人类肿瘤样本与癌细胞系对齐，预测转录组水平的扰动响应，以及对单细胞RNA测序数据进行批量校正。我们还发现了与公平表示学习的相似之处，并证明了CoMP在该领域的共同任务上具有竞争力。
2022-06-26 cs.LG q-bio.GN stat.ML
Double Robust Representation Learning for Counterfactual Prediction
Duke University（杜克大学）
因果推断或反事实预测是医疗保健、政策和社会科学决策的核心。为了消除观察性研究中高维数据的因果估计量的偏差，最近的进展表明，结合倾向得分和结果函数的机器学习模型的重要性。我们提出了一种新的可扩展的方法来学习双鲁棒表示反事实的预测，导致一致的因果估计，如果模型的倾向得分或结果，但不一定两者，是正确指定的。具体来说，我们使用熵平衡方法来学习的权重，最大限度地减少治疗组和对照组之间的代表性的詹森-香农分歧，基于此，我们对个人和平均处理效应作出强大而有效的反事实预测。我们提出的方法提供了理论依据。该算法在真实世界和合成数据上显示出具有竞争力的性能。
2020-10-16 cs.LG stat.ML
Conservative Inference for Counterfactuals
针对因果推断中反事实联合分布不可识别的问题，利用最优传输理论证明对应最小处理效应的保守分布可识别，从而界定因果效应并推断个体反事实剂量-反应曲线。
2023-10-19 math.ST stat.ME stat.TH
A Practical Guide to Counterfactual Estimators for Causal Inference with Time-Series Cross-Sectional Data
本文介绍了一个简单的框架，反事实估计因果推断与时间序列横截面数据，其中我们估计的平均处理效应的治疗直接归因于反事实的结果治疗观察。在此框架下，我们讨论了几个新的估计，包括固定效应反事实估计，交互式固定效应反事实估计，矩阵完成估计。当处理效应具有异质性或存在未观察到的时变混杂因素时，它们提供了比传统的双向固定效应模型更可靠的因果估计。此外，我们提出了一个新的动态处理效应图，以及几个诊断测试，以帮助研究人员衡量识别假设的有效性。我们用两个政治经济学的例子来说明这些方法，并在R和Stata中开发了一个开源包fect，以促进实施。
2022-08-14 stat.AP stat.ME
An Exact and Robust Conformal Inference Method for Counterfactual and Synthetic Controls
我们引入了新的推理程序的反事实和合成控制法的政策评估。我们将因果推断问题重新定义为一个反事实预测和一个结构突变检验问题。这使我们能够利用共形预测和结构突变测试的见解，开发置换推理程序，以适应现代高维估计，在弱和易于验证的条件下是有效的，并且可以证明对误指定是鲁棒的。我们的方法与许多不同的方法一起工作，在没有政策干预的情况下预测反事实的平均结果。示例包括合成控制、差异中的差异、因子和矩阵完成模型以及（融合）时间序列面板数据模型。我们的方法在模拟中表现出出色的小样本性能，并被用于数据应用，我们重新评估室内卖淫合法化的后果。用于实现我们的共形推理方法的开源软件是可用的。
2021-05-20 econ.EM stat.ME
C-kNN-LSH: A Nearest-Neighbor Algorithm for Sequential Counterfactual Inference
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Stevens Institute of Technology（史蒂文斯理工学院）
C-kNN-LSH通过局部敏感哈希和双重鲁棒校正，有效处理高维、混淆的序列因果推断问题，提升长期新冠康复异质性识别与政策价值估计性能。
2026-02-02 cs.LG stat.ML
Counterfactual Inference under Thompson Sampling
aampe
本文针对汤普森采样下的反事实推断难题，推导了精确可计算的动作倾向表达式，从而支持离线策略估计，实现推荐系统的无偏离线评估及在线广告等场景的因果推断应用。
2025-07-08 cs.IR cs.LG stat.ME
Constructing Effective Personalized Policies Using Counterfactual Inference from Biased Data Sets with Many Features
University of California, Los Angeles（加州大学洛杉矶分校）；Nuffield College, Oxford University（牛津大学纳菲尔德学院）；Tsinghua University（清华大学）；Oxford-Man Institute, Oxford University（牛津大学牛津-曼研究所）
本文提出了一种新的方法来构建有效的个性化策略时，观察数据缺乏反事实信息，是有偏见的，并具有许多功能。这种方法适用于从医疗保健到广告到教育再到金融的各种环境。这些设置的共同点是，决策者可以观察到，对于每个先前的实例，实例的一系列特征，在该实例中采取的行动，以及实现的奖励-但不是没有采取的行动的奖励：反事实信息。在这样的环境中学习变得更加困难，因为观察到的数据通常会受到现有政策（生成数据的政策）的影响，并且因为在特定情况下可能影响奖励的特征阵列-因此在每个特定情况下决定行动时应该考虑-通常是巨大的。这里提出的方法估计观察到的数据的倾向得分，推断反事实，识别（相对较少）数量的特征，这些特征与每个可能的动作和实例（最）相关，并规定要遵循的策略。在实际数据集上对该算法与现有算法的性能进行了比较，结果表明该算法在性能上有了显著的提高。
2018-07-10 cs.LG stat.ML
Learning Decomposed Representation for Counterfactual Inference
Zhejiang University（浙江大学）；Tsinghua University（清华大学）；NetEase Inc.（网易公司）
从观察数据估计处理效应的基本问题是混杂因素的识别和平衡。大多数以前的方法通过将所有观察到的治疗前变量作为混杂因素来实现混杂因素平衡，忽略了进一步识别混杂因素和非混杂因素。一般而言，并非所有观察到的治疗前变量都是指治疗和结局的常见原因的混杂因素，一些变量仅对治疗有贡献，一些变量仅对结局有贡献。平衡这些非混杂因素，包括工具变量和调整变量，将产生处理效应估计的额外偏倚。通过对观察到的治疗前变量、治疗和结果之间的不同因果关系建模，我们提出了一个协同学习框架：1）通过学习混杂因素和非混杂因素的分解表示来识别混杂因素; 2）通过样本重新加权技术来平衡混杂因素; 3）同时通过反事实推理来估计观察性研究中的处理效应。在合成数据集和真实数据集上的实验结果表明，该方法能够精确分解混杂因素，并实现比基线更精确的处理效应估计。
2021-10-12 cs.LG stat.ME stat.ML
Counterfactual Mean Embeddings
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；EURECOM（欧洲通信学院）；University of Copenhagen（哥本哈根大学）；National Electronics and Computer Technology Center（国家电子与计算机技术中心）；National Science and Technology Development Agency（国家科学技术发展署）
反事实推理已经成为在线广告、推荐系统、医疗诊断和计量经济学中无处不在的工具。与不同干预措施相关的结果分布（称为反事实分布）的准确建模对于这些应用程序的成功至关重要。在这项工作中，我们建议使用一种新的希尔伯特空间表示称为反事实均值嵌入（CME）的反事实分布模型。CME将相关的反事实分布嵌入到具有正定核的再生核希尔伯特空间（RKHS）中，这使我们能够在反事实分布的整个景观上执行因果推断。基于这种表示，我们提出了一个分布处理效应（DTE），可以量化的因果关系的影响，整个结果分布。我们的方法是非参数的CME可以估计unconfoundedness假设下，从观测数据，而不需要任何参数假设的基本分布。我们还建立了建议的估计，这取决于平滑的条件均值和Radon-Nikodym衍生物的基本边缘分布的收敛速度。此外，我们的框架允许更复杂的结果，如图像，序列和图形。我们在合成数据和离线评估任务上的实验结果证明了所提出的估计器的优点。
2021-07-10 cs.LG stat.ML
Learning to Bound Counterfactual Inference from Observational, Biased and Randomised Data
IDSIA（达勒·摩尔人工智能研究所）；University of Almería（阿尔梅里亚大学）
我们解决的问题，从多个，可能有偏见的，观察性和干预性研究的数据整合，最终计算结构因果模型中的反事实。我们从受选择偏差影响的单个观测数据集的情况开始。我们表明，可用数据的可能性没有局部最大值。这使我们能够使用因果期望最大化方案来计算部分可识别的反事实查询的近似边界，这是本文的重点。然后，我们展示了相同的方法如何解决多个数据集的一般情况，无论是干预性的还是观察性的，有偏的还是无偏的，通过图形变换将其重新映射到前一个。系统的数值实验和姑息治疗的案例研究表明，我们的方法的有效性和准确性，同时暗示的好处，整合异构数据，以获得信息范围的情况下，部分可识别性。
2023-03-16 cs.AI stat.ME
The Logic of Counterfactuals and the Epistemology of Causal Inference
University of California, Davis（加利福尼亚大学戴维斯分校）
本文揭示Rubin因果模型预设条件排中律，并提出结合因果贝叶斯网的新模型以摒弃该原则，论证演绎逻辑与归纳推断的深层关联。
2025-03-12 cs.AI econ.EM stat.ME
APRIL: Annotations for Policy evaluation with Reliable Inference from LLMs
Stanford University（斯坦福大学）
APRIL利用大语言模型生成医疗领域的反事实注释，以提高离线策略评估的准确性与可扩展性。
2025-11-21 cs.AI cs.LG
Generative Flows for Potential Outcomes and Counterfactuals
School of Industrial and Systems Engineering（工业与系统工程学院）；Georgia Institute of Technology（佐治亚理工学院）；Elmore Family School of Electrical and Computer Engineering（埃洛姆家族电气与计算机工程学院）；Purdue University（普渡大学）
本文提出PO-Flow框架，通过连续归一化流模型联合建模潜在结果分布和事实条件下的反事实结果，实现个性化预测和因果推断。
2026-10-20 cs.LG stat.ML
Partial Counterfactual Identification of Continuous Outcomes with a Curvature Sensitivity Model
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML））
本文针对连续结果的反事实推断，放宽点识别假设，提出曲率敏感性模型以获取部分反事实识别的信息性边界，并设计深度生成模型 Augmented Pseudo-Invertible Decoder 实现该模型，验证其有效性。
2024-01-11 cs.LG stat.ML
Causal and Counterfactual Views of Missing Data Models
Emory University（埃默里大学）；Williams College（威廉姆斯学院）；Johns Hopkins University（约翰斯·霍普金斯大学）；Harvard University（哈佛大学）
本文提出将缺失数据问题视为一种因果推断形式，通过反事实变量和图模型统一缺失数据识别与因果识别理论，并比较两者的异同。
2024-11-20 cs.LG stat.ME stat.ML
Evaluating Ex Ante Counterfactual Predictions Using Ex Post Causal Inference
我们推导出一个正式的，基于决策的方法，用于比较使用实验结果的反事实治疗方案预测的性能，提供相关信息的分布治疗结果。我们的方法使我们能够量化和评估的差异性能的统计意义，从结构模型，外推处理效应，专家意见，和其他方法估计的最佳治疗方案。我们应用我们的方法来评估最佳的治疗方案，有条件的现金转移支付计划的国家，其中使用的数据，在其他国家的实验评估和预程序数据在感兴趣的国家产生的预测。
2019-07-22 stat.AP stat.ME
Conditional Tensor Diffusion: Distributional Counterfactual Learning and Inference
Southeast University（东南大学）；University of Science and Technology of China（中国科学技术大学）
针对高维张量设置中的因果推断难题，提出整合处理掩码与塔克结构的条件扩散模型CFTDiff，以高效恢复缺失控制结果的联合条件分布，并在模拟和挪威iFlex实验中验证了其更优的恢复精度与反事实推断能力。
2026-09-23 cs.LG econ.EM stat.ML
Counterfactual Inference of Second Opinions
Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）；ETH Zurich（苏黎世联邦理工学院）
能够从专家那里推断出第二意见的自动决策支持系统可能有助于更有效地分配资源;它们可以帮助决定何时以及从谁那里寻求第二意见。在本文中，我们看看这种类型的支持系统的设计从反事实推理的角度。我们专注于多类分类设置，并首先表明，如果专家自己的预测，产生他们的预测的潜在因果机制需要满足一个理想的集不变属性。此外，我们表明，任何因果机制满足这一属性，存在一个等价的机制，每个专家的预测是由一个共同的噪声所管辖的独立的子机制产生的。这激发了一组不变的Gumbel-Max结构因果模型的设计，其中控制支撑模型的子机制的噪声结构取决于可以从数据估计的专家之间的相似性的直观概念。在合成数据和真实数据上的实验表明，我们的模型可以比非因果模型更准确地推断第二意见。
2022-06-30 cs.CY cs.HC cs.LG
Counterfactual Cocycles: A Framework for Robust and Coherent Counterfactual Transports
本研究提出反事实余循环框架，利用代数结构保证反事实传输的连贯性与可识别性，对噪声鲁棒，并在合成基准和401(k)研究中表现最优。
2025-09-24 math.ST stat.ME stat.ML
Inference on Nonlinear Counterfactual Functionals under a Multiplicative IV Model
本文研究乘法 IV（MIV）模型，证明其可识别并推断由矩方程刻画的非线性反事实泛函，提出高效、多重稳健且渐近有效的估计推断方法。
2025-08-28 stat.ME
Model-Robust Counterfactual Prediction Method
我们开发了一种新的方法，用于反事实分析的基础上，观测数据使用预测区间的单位在不同的曝光。与针对暴露的异质性或条件性平均治疗效应的方法不同，所提出的方法旨在考虑反事实结果的不可约分散性，以便量化不同暴露的相对影响。基于保角预测方法，以无分布和模型鲁棒的方式构造预测区间。这种方法的计算障碍是通过利用免调谐方法的特性来规避的，该方法学习稀疏加性预测模型以获得反事实结果。使用真实和合成数据的方法进行说明。
2018-05-28 math.ST stat.ML stat.TH
Generalizing causal inferences from randomized trials: counterfactual and graphical identification
当参与随机试验是由影响结局的因素驱动时，或者当参与试验直接影响与治疗无关的结局时，试验受试者的平均处理效应不太可能推广到目标人群。在本文中，我们使用反事实和图形因果模型，以检查在什么条件下，我们可以概括因果推断从一个随机试验的目标人群的试验合格的个人。我们提供了一个解释的概括性分析使用的概念，一个假设的干预，以“扩大”试验参与的目标人群。我们认为，当试验参与不直接影响结果时，解释的概括性分析，突出与纵向研究中的删失的连接，并讨论通过g公式计算和逆概率加权的反事实结果的分布的识别。最后，我们展示了如何扩展的方法，以解决随时间变化的治疗，不遵守，和审查。
2019-06-26 stat.AP stat.ME
Learning to Infer Counterfactuals: Meta-Learning for Estimating Multiple Imbalanced Treatment Effects
University of New South Wales（新南威尔士大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61部门）
我们经常考虑在实践中回答反事实的问题，比如“如果糖尿病患者选择另一种药物，他们会好转吗？".观察性研究由于其广泛的积累和比随机对照试验（RCT）更容易获得，在回答这些问题方面的意义越来越大。近年来，一些研究将表示学习和领域自适应引入反事实推理。然而，目前大多数的工作集中在设置的二进制处理。没有人认为不同治疗的样本量是不平衡的，特别是由于用户固有的偏好，某些治疗组的数据实例相对有限。在本文中，我们设计了一个新的算法框架，反事实推理，这带来了一个想法，从元学习估计个别治疗效果（MetaITE），以填补上述研究空白，特别是考虑到多个不平衡的治疗。具体来说，我们认为数据事件之间的处理组在反事实推理的元学习任务。我们训练一个元学习者从一组源处理组与足够的样本和更新模型的梯度下降与有限的样本在目标处理。此外，我们引入了两个互补的损失。一个是多源处理的监督损失。另一个损失，对齐各治疗组之间的潜在分布，建议减少的差异。我们在两个真实世界的数据集上进行实验，以评估推理精度和泛化能力。实验结果表明，该模型MetaITE匹配/优于国家的最先进的方法。
2022-08-13 cs.LG stat.ME
Sample size planning for conditional counterfactual mean estimation with a K-armed randomized experiment
Adobe Inc.（奥多比公司）
针对K臂随机实验中数据驱动子群体的条件反事实均值估计问题，提出将样本量规划转化为同时推断问题的方法，可推导对应样本量或反向求解可行的处理臂数与划分复杂度，并在公开数据集上验证了性能保证。
2024-03-06 cs.LG stat.ME stat.ML
Variational Causal Inference
University of California, Berkeley（加州大学伯克利分校）；Amazon（亚马逊公司）
针对高维结果、协变量有限时个体反事实潜在结果估计的挑战，提出深度变分贝叶斯框架，整合高维事实结果中的个体特征与相似受试者响应分布，以构建反事实处理下的结果。
2025-02-12 cs.AI cs.LG math.ST
Answering Causal Queries at Layer 3 with DiscoSCMs-Embracing Heterogeneity
Kuaishou Inc.（快手公司）
本文提出DiscoSCM框架，通过引入单位选择变量和独立反事实噪声假设，解决PO和SCM在第三层反事实推断中的退化问题，实现异质性反事实界理论，推动因果推断方法论发展。
2024-02-08 cs.AI cs.LG stat.ME
Causal survival embeddings: non-parametric counterfactual inference under censoring
本研究提出基于核均值嵌入的因果生存分析框架，解决删失与混杂下的反事实推断问题，经模拟和SPRINT试验验证有效，并提供理论分析。
2023-06-20 math.ST stat.TH
On counterfactual inference with unobserved confounding
Massachusetts Institute of Technology（麻省理工学院）；Cornell Tech（康奈尔科技校区）
本文研究存在未观测混杂的观察性研究中的反事实推断问题，通过将结果条件分布建模为指数族并引入联合学习异质参数的凸目标函数，提供了与参数空间度量熵呈线性的均方误差界限，并应用于稀疏缺失协变量的一致插补。
2023-09-14 cs.LG stat.ME
Conformal Inference of Counterfactuals and Individual Treatment Effects
评价处理效应异质性广泛地告知处理决策。目前，非常重视通过灵活的机器学习算法估计条件平均处理效应。虽然这些方法在一致性和收敛速度方面具有一定的理论吸引力，但它们在不确定性量化方面通常表现不佳。这令人不安，因为评估风险对于敏感和不确定环境中的可靠决策至关重要。在这项工作中，我们提出了一个共形推理为基础的方法，可以产生可靠的区间估计的反事实和个人处理效应下的潜在结果框架。对于完全随机化或分层随机化实验，无论未知的数据生成机制如何，区间都保证了有限样本的平均覆盖率。对于具有可验证依从性的随机化实验和服从强可验证性假设的一般观察性研究，区间满足双重稳健性质，其陈述如下：如果潜在结果的倾向得分或条件分位数可以准确估计，则平均覆盖率近似受控。对合成数据集和真实数据集的数值研究表明，即使在简单的模型中，现有方法也存在显著的覆盖不足。相比之下，我们的方法以合理的短间隔实现了所需的覆盖范围。
2021-05-06 math.ST stat.ME stat.ML
Robust Multi-agent Counterfactual Prediction
Facebook AI Research（Facebook人工智能研究）；Facebook Core Data Science（Facebook核心数据科学）
我们考虑的问题，使用记录的数据来预测会发生什么，如果我们改变了“游戏规则”的多智能体系统。这项任务很困难，因为在许多情况下，我们观察到个人采取的行动，但不是他们的私人信息或他们的全部奖励功能。此外，智能体是有策略的，所以当规则改变时，它们也会改变自己的行为。现有方法（例如结构估计、反向强化学习）通过构建游戏模型、添加代理行为来自给定目标的优化的假设，然后反转观察到的动作来做出反事实预测学习代理的底层效用函数（又名类型）。一旦知道了主体类型，做出反事实预测就等于解决了反事实环境的平衡问题。这种方法强加了大量的假设，如被观察的代理人的合理性，分析师的环境模型/代理人的效用函数的参数形式的正确性，以及其他各种条件，使点识别成为可能。我们提出了一种方法来分析反事实结论对违反这些假设的敏感性。我们将这种方法称为鲁棒多代理反事实预测（RMAC）。我们运用我们的技术来调查的鲁棒性反事实索赔的经典环境中的市场设计：拍卖，学校的选择，和社会的选择。重要的是，我们表明RMAC可以用于点识别是不可能的制度（例如，那些有多个平衡或非内射映射类型分布的结果）。
2019-04-03 cs.AI cs.GT cs.MA
Weighted Sum-Rate Maximization With Causal Inference for Latent Interference Estimation
研究了潜在干扰源位于已知网络之外的加权和速率最大化（WSRM）问题，其功率分配策略是隐藏的，且不可控的。本文在因果推理框架下，将著名的交替优化算法加权最小均方误差（WMMSE）[1]推广到WSRM。具体而言，由于隐藏网络中的功率策略可能发生变化，仅基于观察到的干扰计算迭代方向本质上意味着在决策中忽略了反事实。使用一种称为合成控制（SC）的方法来估计反事实。对于已知网络中的任何链路，SC构造其他链路上的干扰的凸组合，并将其用作反事实的估计。功率迭代在建议的SC-WMMSE进行考虑到观察到的干扰和它的反事实。SC-WMMSE在优化阶段不需要比原始WMMSE更多的信息。据我们所知，这是第一篇论文探讨了潜在的SC在协助数学优化解决经典的无线优化问题。数值结果表明，SC-WMMSE算法在收敛性和客观性方面均优于原算法。
2023-01-24 cs.IT math.IT stat.ML
On the probability of a causal inference is robust for internal validity
观察性研究的内部效度经常受到争论。在这项研究中，我们将反事实定义为未观察到的样本，并打算量化它与原假设统计检验（NHST）的关系。我们提出因果推断的概率对于内部效度是稳健的，即，PIV作为因果推断的鲁棒性指标。形式上，PIV是基于观察样本和反事实再次拒绝原假设的概率，前提是相同的原假设已经基于观察样本被拒绝。在频率论或贝叶斯框架下，人们可以基于对反事实的有界信念来约束推理的PIV，这在无混淆假设是可疑的时经常需要。当认为NHST基于观察样本和反事实时，PIV相当于统计功效。我们将用PIV评估内部效度的过程总结为一个八步程序，并用一个实证例子（即，Hong和Raudenbush（2005））。
2019-06-20 econ.EM stat.AP stat.ME
Robust Generalization and Safe Query-Specialization in Counterfactual Learning to Rank
Radboud University（拉德堡德大学）；University of Amsterdam（阿姆斯特丹大学）；Ahold Delhaize（皇家阿霍德德尔海兹集团）
反事实学习排序（LTR）的现有工作集中在优化基于特征的模型，预测基于文档特征的最佳排名。基于bandit算法的LTR方法通常会优化表格模型，这些模型会记住每个查询的最佳排名。这些类型的模型都有自己的优点和缺点。基于查询的模型在许多查询中提供了非常强大的性能，包括那些以前看不见的查询，但是，可用的功能通常限制了模型可以预测的排名。相比之下，表格模型可以通过记忆收敛到任何可能的排名。然而，记忆非常容易产生噪音，这使得表格模型只有在大量用户交互可用时才可靠。我们能否开发一种强大的反事实LTR方法，在安全的情况下追求基于记忆的优化？我们介绍了泛化和专业化（GENSPEC）算法，一个强大的基于特征的反事实LTR方法，追求每查询记忆时，它是安全的。GENSPEC优化了单一的基于特征的模型，用于泛化：在所有查询中具有强大的性能，以及许多用于专业化的表格模型：每个模型都针对单个查询的高性能进行了优化。GENSPEC使用新的相对高置信度界限来选择每个查询部署哪个模型。通过这样做，GENSPEC享有高性能的成功专门的表格模型与鲁棒性的广义特征为基础的模型。我们的研究结果表明，GENSPEC导致查询有足够的点击数据的最佳性能，同时具有强大的行为查询很少或嘈杂的数据。
2021-02-20 cs.IR cs.LG
Counterfactual Analysis under Partial Identification Using Locally Robust Refinement
结构模型，承认多个减少的形式，如博弈论模型与多重均衡，在实践中提出的挑战，特别是当参数集识别和识别集是大的。在这种情况下，研究人员通常会选择专注于某个特定的均衡子集进行反事实分析，但这种选择可能很难证明。本文表明，某些参数值可以更“可取”的比其他反事实分析，即使他们是经验上的数据相等。特别是，在识别的集合中，一些反事实预测可以表现出比其他预测更强的鲁棒性，以对抗简化形式的局部扰动（例如平衡选择规则）。我们提供了一个表示这个子集，可以用来简化实现。我们说明我们的信息使用矩不等式模型，并提供了一个经验的应用程序的基础上，顶部编码的数据模型。
2021-01-28 econ.EM stat.ME
Counterfactual Analysis of the Impact of the IMF Program on Child Poverty in the Global-South Region using Causal-Graphical Normalizing Flows
Linköping University（林雪平大学）
这项工作演示了因果推理和深度学习模型的一个特定分支的应用：\emph{causal-Graphical Normalizing Flows (c-GNFs)}。在最近的一篇文章中，学者们表明，规范化流具有某些属性，使其特别适合于因果分析和反事实分析。然而，c-GNF仅在模拟数据环境中进行了测试，迄今为止还没有对c-GNF在大规模真实世界数据中的应用进行过评估。以\emph{AI for social good}为重点，我们的研究提供了一个反事实分析的影响，国际货币基金组织（IMF）计划对儿童贫困使用c-GNF。该分析依赖于大规模的真实世界观察数据：1，941，734名18岁以下的儿童，由居住在全球南部67个国家的567，344个家庭照顾。虽然国际货币基金组织的主要目标是支持各国政府实现经济稳定，但我们的研究结果发现，国际货币基金组织的一项计划将儿童贫困作为一种积极的副作用减少了约1.2 $\pm$ 0.24度（“0”等于没有贫困，“7”是最大贫困）。因此，我们的文章展示了c-GNF如何进一步在AI中使用深度学习和因果推理来实现社会公益。它展示了如何使用学习算法通过在群体水平（ACE）、亚群体水平（CACE）和个体水平（ICE）的反事实推理来解决未开发的潜在重大社会影响。与大多数模型ACE或CACE而不是ICE的作品相反，c-GNF使用\emph{`The First Law of …
2022-02-17 cs.AI econ.EM stat.AP
Identification of Causal Relationship between Amyloid-beta Accumulation and Alzheimer's Disease Progression via Counterfactual Inference
University of Georgia（佐治亚大学）；Beijing Normal University（北京师范大学）；The University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；Brigham and Women’s Hospital（布莱根妇女医院）；Shanghai Jiao Tong University（上海交通大学）；The University of Virginia（弗吉尼亚大学）
本文提出图变系数神经网络GVCNet，利用反事实推断在连续处理水平下估计个体处理效应，以揭示β-淀粉样蛋白积累与阿尔茨海默病进展之间的区域因果关系，为早期诊断和个性化护理提供工具。
2023-07-03 cs.LG stat.ME
Proximal Causal Inference for Marginal Counterfactual Survival Curves
对比治疗组间的边缘反事实生存曲线是推断干预对右删失至事件时间结局的因果影响的有效且流行的方法。在观察环境中得出此类推论的一个关键挑战是可能存在未测量的混杂，这可能使假设没有隐藏混杂偏倚的最常用方法无效。在本文中，我们没有做出标准的无不可测量混杂假设，而是扩展了Miao et al.（2018），Tchetgen et al.（2020），Cui et al.（2020）最近提出的近端因果推断框架，以通过利用观察到的协变量作为不可测量混杂因素的不完美代理来获得因果生存对比的非参数识别。具体来说，我们开发了一个近端逆概率加权（PIPW）估计，标准IPW的近端模拟，它允许观察到的数据分布的时间到事件的结果，以保持完全不受限制。PIPW估计依赖于所谓的治疗混杂桥接函数的参数模型，该桥接函数将治疗过程与混杂代理相关联。因此，PIPW可能对模型错误指定敏感。为了提高稳健性和效率，我们还提出了一个近似双稳健估计，并建立了一致相合性和渐近正态性的估计。我们进行了广泛的模拟，以检查我们的估计有限样本的性能，并提出的方法应用于一项研究，评估重症监护室的重症患者的右心导管插入术的有效性。
2022-04-27 math.ST stat.ME stat.TH
A Semiparametric Approach to Causal Inference
针对平均因果效应估计见解有限的问题，该研究提出基于半参数密度比模型的EL-DRM框架，通过经验似然估计非参数成分，可从分布视角实现因果推断，经合成与真实数据验证有效。
2024-11-01 stat.ME stat.ML
Counterfactual analyses with graphical models based on local independence
我们表明，一个可以执行因果推理的连续时间的情况下，使用随机分析的工具，在一个自然的方式。这为逆概率加权的正性条件提供了新的替代方案。在反事实情景中，决定观测频率的概率分布可以用所谓的鞅问题来描述。反事实和事实概率分布可以通过由随机微分方程给出的似然比来关联。我们可以根据原始观察结果对反事实场景进行推断，并根据此似然比进行重新加权。如果随机微分方程的解是一致可积的，这是可能的，这一性质可以通过比较相应的事实和反事实短期预测来确定。局部独立图是有向的，可能是循环的，表示充分自治的随机过程之间的短期预测的图。我们通过一个例子表明，这些图可以用来识别和提供一致的估计在连续时间的反事实参数。这类似于Judea Pearl如何使用图形信息来识别有限状态贝叶斯网络中的因果效应。
2013-04-22 math.PR math.ST stat.TH
Sensitivity Analysis of Individual Treatment Effects: A Robust Conformal Inference Approach
我们提出了一个无模型的框架，敏感性分析的个人处理效应（ITE），从共形推理的想法的基础上。对于任何单位，我们的程序报告了$Γ$值，该值量化了解释ITE证据所需的最小混杂强度。我们的方法依赖于在训练数据混淆的情况下对反事实和ITE的可靠预测推理。在Tan（2006）的边际敏感性模型下，我们描述了观测值分布和反事实分布之间的变化。首先，我们开发了一个通用的方法，从移位分布的测试样本的预测推理，然后，我们利用这个构建协变量依赖的预测集的反事实。不管移位的值是多少，这些预测集（分别是近似地）实现边缘覆盖，如果倾向得分是精确已知的（分别估计）。我们描述了一个不同的程序，也达到覆盖率，但是，有条件的训练数据。在后一种情况下，我们证明了一个清晰的结果表明，对于某些类别的预测问题，预测区间不可能收紧。我们通过仿真研究验证了新方法的有效性和性能，并将其应用于分析真实数据集。
2022-04-24 stat.ME
Cycle-Balanced Representation Learning For Counterfactual Inference
University of New South Wales（新南威尔士大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61）
随着观测数据的广泛积累，研究人员在许多领域（例如，医疗保健和计算机广告），而没有随机对照试验（RCT）。然而，观察数据存在固有的缺失反事实结果，以及由于行为偏好导致的治疗组和对照组之间的分布差异。基于表示学习在领域自适应领域的最新进展，本文提出了一个基于循环平衡的反事实表示学习框架（CBRE），以解决上述问题。具体而言，我们通过对抗训练实现了不同群体的鲁棒均衡表示，同时构建了一个信息循环，使得原始数据属性循环保存，从而减少了将数据转换到潜在表示空间时的信息丢失。在三个真实数据集上的实验结果表明，CBRE匹配/优于现有方法，它在反事实推理中有很大的应用潜力。
2021-10-29 cs.AI cs.LG
