Causal Longitudinal Prior-Fitted Networks for Counterfactual Outcome Prediction
Yale University(耶鲁大学);University of California, Berkeley(加州大学伯克利分校)
提出CausalLongPFN,一种基于先验拟合的上下文预测器,通过合成因果模型预训练实现无需梯度更新的纵向反事实结果预测,在多个基准上达到与领域训练模型竞争的性能。
2026-06-07 cs.LG 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
Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations
University of Cambridge(剑桥大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Columbia University(哥伦比亚大学);The Alan Turing Institute(艾伦·图灵研究所)
随着时间的推移,估计反事实结果有可能通过帮助决策者回答“what-if”问题来解锁个性化医疗保健。现有的因果推理方法通常考虑观察和治疗决策之间的规则的离散时间间隔,因此无法自然地对不规则采样数据进行建模,这是实践中的常见设置。为了处理任意观测模式,我们将数据解释为来自底层连续时间过程的样本,并建议使用控制微分方程的数学来明确地建模其潜在轨迹。这导致了一种新的方法,治疗效果神经控制微分方程(TE-CDE),允许在任何时间点评估潜在的结果。此外,对抗性训练用于调整时间依赖性混杂,这在纵向设置中至关重要,并且是传统时间序列中没有遇到的额外挑战。为了评估这个问题的解决方案,我们提出了一个可控的模拟环境的基础上的肿瘤生长模型的一系列的情况下,不规则的采样反映了各种临床情况。TE-CDE始终优于现有的方法,在所有模拟的情况下,不规则采样。
2022-06-16 cs.LG stat.ML
Perfect Match: A Simple Method for Learning Representations For Counterfactual Inference With Neural Networks
ETH Zurich(苏黎世联邦理工学院)
从观察数据中学习反事实推理的表示对于许多领域具有高度的实际意义,例如医疗保健,公共政策和经济学。反事实推理使人们能够回答“如果......会怎样?“问题,如“如果我们给予该患者$t_1$治疗,结果会如何?".然而,目前用于训练神经网络以用于对观察数据进行反事实推断的方法要么过于复杂,要么限于只有两种可用处理的设置,或者两者兼而有之。在这里,我们提出了完美匹配(PM),一种用于训练神经网络进行反事实推理的方法,该方法易于实现,与任何架构兼容,不增加计算复杂性或超参数,并扩展到任何数量的处理。PM是基于在一个小批量与他们的倾向匹配最近的邻居增加样本的想法。我们的实验表明,PM优于一些更复杂的国家的最先进的方法在推断反事实的结果在几个基准,特别是在设置有许多治疗。
2019-05-27 cs.LG stat.ML
Causal Diffusion Models for Counterfactual Outcome Distributions in Longitudinal Data
Department of Economics, Northeastern University(东北大学经济学系);Center for Health Policy and Healthcare Research, Northeastern University(东北大学健康政策与医疗研究中心);Department of Public Health and Health Sciences, Bouvé College of Health Sciences, Northeastern University(东北大学布维健康科学学院公共卫生与健康科学系)
本文提出因果扩散模型,用于生成在连续干预下的反事实结果分布,通过新颖的残差去噪架构和关系自注意力机制,提升了复杂时间依赖性和多模态结果轨迹的捕捉能力,同时在高混杂环境下实现了更高的分布准确性。
2026-04-14 cs.LG econ.EM stat.ML
Counterfactual Predictions under Runtime Confounding
Carnegie Mellon University(卡内基梅隆大学)
算法通常用于预测特定决定或干预下的结果,例如预测罪犯是否会在最低限度的监督下获得假释。一般来说,要从历史决策和相应结果的观测数据中学习这种反事实预测模型,必须衡量共同影响结果和决策的所有因素。出于决策支持应用的需要,我们研究了在所有相关因素都被捕获在历史数据中的情况下的反事实预测任务,但是在预测模型中使用一些这样的因素是不可取的或不允许的。我们将此设置称为运行时混淆。我们提出了一个双重鲁棒的学习反事实预测模型在这种情况下。我们的理论分析和实验结果表明,我们的方法往往优于竞争的方法。我们还提出了一个验证程序来评估反事实预测方法的性能。
2021-04-16 cs.LG stat.ME 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
Counterfactually Fair Regression with Double Machine Learning
Centre for Social Research and Methods(社会研究与方法中心);Australian National University(澳大利亚国立大学)
反事实公平是人工智能公平的一种方法,它试图根据具有某种敏感状态的个人在没有这种状态的情况下会产生的结果来做出决策。本文提出了双重机器学习(DML)公平性,它将回归问题中的反事实公平性问题类比为潜在结果框架下因果推理中估计反事实结果的问题。它使用任意机器学习方法来部分消除敏感变量对非敏感变量和结果的影响。假设两组变量的影响是可加性分离的,结果将近似相等,个人水平的结果将是反事实公平的。本文演示了在模拟研究有关歧视工作场所招聘和应用程序的真实数据估计法学院学生的GPA的方法。然后,它讨论了当它是适当的应用这样一种方法来解决现实世界中的歧视问题的结构是概念上复杂的,最后,是否DML公平可以实现正义,在这些设置。
2023-03-21 cs.LG stat.ME
Counterfactual Propagation for Semi-Supervised Individual Treatment Effect Estimation
Kyoto University(京都大学)
个体治疗效果(ITE)是指对特定目标采取特定措施后预期的治疗效果改善,在各个领域的决策中起着重要作用。然而,其估计问题是困难的,因为干预研究收集关于所应用的治疗的信息(即,行动),其结果往往是相当昂贵的时间和金钱成本。在这项研究中,我们考虑了一个半监督ITE估计问题,利用更容易获得的未标记的实例,以提高ITE估计的性能,使用小的标记数据。我们结合因果推理和半监督学习的两个想法,即匹配和标签传播,分别提出反事实传播,这是第一个半监督ITE估计方法。半真实数据集的实验表明,该方法可以成功地缓解ITE估计中的数据稀缺问题。
2020-05-11 cs.LG stat.ML
Counterfactual Generative Modeling with Variational Causal Inference
University of California, Berkeley(加州大学伯克利分校);Genentech(基因泰克公司)
针对高维结果下个体反事实预测难题,提出变分贝叶斯因果推断框架,无需反事实样本即可端到端监督并解耦外生噪声,在多个基准上优于现有方法。
2025-03-18 cs.AI cs.LG math.ST
RNN-based counterfactual prediction, with an application to homestead policy and public schooling
本文提出了一种方法来估计随着时间的推移的结果的政策干预的效果。我们训练递归神经网络(RNN)的历史控制单元的结果,学习一个有用的表示预测未来的结果。然后将控制单元的学习表示应用于治疗单元以预测反事实结果。RNN的结构专门用于利用面板数据中的时间依赖性,并且能够学习控制单元结果之间的负和非线性相互作用。我们应用的方法来估计美国的长期影响的问题。宅基地政策对公立学校的支出。
2021-05-17 econ.EM stat.AP stat.ML
Retrospective Counterfactual Prediction by Conditioning on the Factual Outcome: A Cross-World Approach
HEC Lausanne, University of Lausanne(洛桑大学高等商业研究学院)
本文研究了在Neyman-Rubin超总体模型下,基于协变量x和观察到的结果y估计反事实结果μ(x,y)及构建有效预测区间的方法,通过跨世界相关性ρ(x)解决反事实未识别问题。
2026-03-28 stat.ME stat.ML
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
Estimating counterfactual treatment outcomes over time in complex multiagent scenarios
Graduate School of Informatics at Nagoya University(名古屋大学信息学研究科);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心);Graduate School of Informatics at Kyoto University(京都大学信息学研究科);Graduate School of Engineering at the University of Tokyo(东京大学工学研究科);Graduate School of Information Science and Technology at Osaka University(大阪大学信息科学与技术研究科)
提出一种基于图变分循环神经网络和领域知识的可解释反事实循环网络,用于在复杂多智能体场景中估计干预的个体处理效应,并在自动驾驶和篮球数据上验证了其有效性。
2024-02-17 cs.AI cs.LG cs.MA
Mimicking counterfactual outcomes to estimate causal effects
在观察性研究中,治疗可能会在连续时间内多次适应协变量,而无需固定的方案。治疗影响协变量,协变量影响治疗,协变量影响治疗,如此等等,那么即使是时间依赖的Cox模型也不能用来估计净治疗效应。结构嵌套模型已应用于此设置。结构嵌套模型基于反事实:一个人在一定时间后被拒绝治疗的结果。以前的工作连续时间结构嵌套模型假设,反事实依赖于确定性的观测数据,而programming,这一假设可以放松。这篇文章证明了人们可以通过构造随机变量来模拟反事实,即微分方程的解,即使给定过去的观测数据,也具有与反事实相同的分布。这些“模仿”变量可用于估计结构嵌套模型的参数,而无需假设治疗效应是确定性的。
2015-09-01 math.ST stat.TH
Causal Imputation for Counterfactual SCMs: Bridging Graphs and Latent Factor Models
Harvard University(哈佛大学);Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);Broad Institute of MIT and Harvard(麻省理工学院与哈佛大学布罗德研究所)
针对行动-情境配对观测不足的因果插补问题,提出基于反事实SCM的新模型类,在线性假设下关联潜因子模型,扩展综合干预估计量,在PRISM数据集上的表现优于现有矩阵补全方法。
2024-02-22 cs.LG stat.ML
Estimating Heterogeneous Treatment Effects on Survival Outcomes Using Counterfactual Censoring Unbiased Transformations
本研究开发了针对生存结局(含竞争风险)的删失无偏变换(CUTs),通过转换事件时间结局,使现有HTE学习器可直接用于估计异质性累积发生率、总效应和直接效应,并提供了预言机不等式和模拟验证。
2024-09-27 stat.ME 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 Evaluation of Treatment Assignment Functions with Networked Observational Data
Arizona State University(亚利桑那州立大学);University of Virginia(弗吉尼亚大学)
新治疗分配函数的反事实评估(例如,广告算法和推荐系统)对于从业者来说是最关键的因果推理问题之一。传统上,进行随机对照试验(A/B检验)来评估治疗分配函数。然而,这种试验可能是耗时的,昂贵的,甚至在某些情况下是不道德的。因此,治疗分配函数的离线反事实评估成为一个紧迫的问题,因为在当今的大数据时代,有大量的观察数据可用。反事实评估需要处理隐藏的混杂因素--无法测量的特征,这些特征会对治疗分配和结果产生因果影响。为了处理隐藏混杂因素,大多数现有方法依赖于没有隐藏混杂因素的假设。然而,在大量观测数据的背景下,这种假设可能是站不住脚的。当这些数据与网络信息一起出现时,后者可能有助于纠正隐藏的混淆偏见。因此,我们首先制定了一个新的问题,与网络观察数据的治疗分配函数的反事实评估。然后,我们探讨了以下研究问题:我们如何利用网络信息在反事实评价?网络信息能改善反事实评估中的估计吗?为了回答这些问题,首先,我们提出了一个新的框架,\emph{Counterfactual Network Evaluator}(CONE),它(1)在观察到的治疗和结果的监督下学习潜在混杂因素的部分表示;(2)将它们结合起来进行反事实评估。然后通过大量的实验,我们证实了CONE的有效性。结果表明,将网络信息减轻隐藏的混淆偏见,在反事实评价。
2019-12-22 cs.LG stat.ME stat.ML
Counterfactual Outcome Prediction using Structured State Space Model
Purdue University(普渡大学)
本文探讨了状态空间模型在纵向数据反事实结果预测中的应用,通过实验证明S4Model比TE-CDE训练更高效、预测更准确且更稳定。
2023-05-16 cs.AI cs.LG 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
Orthogonal prediction of counterfactual outcomes
针对直交元学习器忽略结果空间约束的问题,提出尊重结果空间的直交元学习器(i学习器)用于预测反事实结果,实证表明其更优,并为其他估计量提供启示。
2023-11-15 stat.ME
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
The Digital Twin Counterfactual Framework: A Validation Architecture for Simulated Potential Outcomes
本文提出数字双胞胎反事实框架,通过模拟而非统计估计反事实,建立分层验证体系,区分可验证的边际因果量与依赖不可观测结构的copula依赖量,提升因果推断的可检验性。
2026-04-01 cs.AI stat.ME
Counterfactual Prediction Under Outcome Measurement Error
Carnegie Mellon University(卡内基梅隆大学)
针对预测模型中结果测量误差、处理效应与选择偏差的交叉威胁,提出无偏风险最小化方法及参数估计法,结合理论与实验证明联合纠正误差对提升模型可靠性至关重要。
2023-05-18 cs.CY cs.HC cs.LG
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
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
Counterfactual Identifiability via Dynamic Optimal Transport
Imperial College London(帝国理工学院伦敦分校)
本文提出通过连续时间流进行多变量反事实识别,利用动态最优传输工具建立反事实运输映射,确保一致推断,并在受控场景中验证理论,提升反事实声学的鲁棒性。
2026-03-24 cs.AI cs.LG stat.ML
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
Apportioning Causal Responsibility of Two Risk Factors for an Adverse Outcome via Counterfactual Attribution
Statistical Laboratory, University of Cambridge(剑桥大学统计实验室);School of Mathematical Sciences, Peking University(北京大学数学科学学院)
提出一个量化框架,在无混杂和单调性假设下,通过反事实归因分配两个二元风险因素对已发生不良结果的因果责任,并建立非参数识别或推导出尖锐界限。
2026-06-18 stat.ME
Scalable Counterfactual Risk Estimation for Rare Events in Longitudinal Data
University of Connecticut Storrs(康涅狄格大学斯托尔分校);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校)
针对纵向生存数据中罕见事件导致的类不平衡和计算负担问题,提出一种可扩展的子采样与重加权策略,应用于ICE等因果效应估计器,在保持一致性的同时提高稳定性。
2026-06-01 cs.LG stat.ME
Reinterpreting demand estimation
Stanford University(斯坦福大学)
本文将结构性需求模型假设重新表述为潜在结果联合分布限制,揭示其依赖跨市场反事实同质性假设,并据此将模型预测重新解读为因果推断中的外推,从而搭建结构性建模与因果推断的概念桥梁。
2025-11-05 econ.EM stat.ME
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
A clarification on the links between potential outcomes and do-interventions
本文通过叠加Pearl结构因果框架与Rubin潜在结果框架,明确二者反事实结果相等的数学条件,指出兼容相同观测的两类模型未必一致,澄清了两框架的关系及反事实解释。
2024-12-16 math.ST stat.TH
ProCause: Generating Counterfactual Outcomes to Evaluate Prescriptive Process Monitoring Methods
Research Centre for Information Systems Engineering (LIRIS), KU Leuven, Leuven, Belgium(信息系统工程研究中心(LIRIS),根特大学,比利时卢汶);School of Computation, Information and Technology, Technical University of Munich (TUM), Munich, Germany(计算、信息与技术学院,慕尼黑技术大学,德国慕尼黑)
针对PresPM方法评估缺少干预真实结果的问题,提出整合多种因果推断架构、支持序列与非序列模型的ProCause方法,经模拟与真实数据验证可实现更可靠的评估。
2025-08-31 cs.AI cs.LG stat.ME
Bayesian Counterfactual Prediction Models for HIV Care Retention with Incomplete Outcome and Covariate Information
Brown University(布朗大学);Academic Model Providing Access to Healthcare (AMPATH)(学术模型提供医疗保健项目(AMPATH));Moi University(莫伊大学)
针对HIV护理留存预测与排班优化中存在的混杂因素、竞争/删失事件及协变量缺失问题,提出基于潜在返回时间的贝叶斯反事实一体化模型,并在肯尼亚AMPATH的EHR数据上验证应用价值。
2024-10-29 cs.LG stat.ME
Sensitivity models and bounds under sequential unmeasured confounding in longitudinal studies
本研究针对纵向研究中的序贯未测量混杂,提出多周期敏感性模型,通过凸优化导出仅依赖观测数据的尖锐与保守界,首次将横截面边际敏感性模型推广至纵向设置。
2023-08-30 math.ST stat.TH
Addressing Extreme Propensity Scores in Estimating Counterfactual Survival Functions via the Overlap Weights
逆概率加权方法是观察性研究中评价处理效应的常用方法,但极端的倾向得分可能会使估计量产生偏倚,并导致过度的方差。最近,已经提出了重叠加权方法来缓解这个问题,它平滑地降低了具有极端倾向得分的受试者的权重。尽管重叠加权的优势已在连续和二元结局的文献中得到广泛证实,但关于其与至事件发生时间或生存结局的性能的研究有限。在这篇文章中,我们提出了两个加权估计,结合倾向得分加权和逆概率截尾加权估计的反事实生存函数。这些估计适用于一般类别的平衡权重,其中包括逆概率加权,修剪和重叠加权作为特殊情况。我们进行模拟,以检查这些估计与不同的加权方案的经验性能的偏差,方差和95%的置信区间覆盖率,在不同程度的协变量重叠治疗组和删失率。我们证明,重叠加权始终优于逆概率加权和相关的修剪方法的偏差,方差和覆盖的时间到事件的结果,和优势增加的程度,治疗组之间的协变量重叠减少。
2022-06-20 stat.AP stat.ME
Probability of Root Cause: A Counterfactual Definition and Its Identification
City University of Hong Kong(香港城市大学);The Chinese University of Hong Kong(香港中文大学);Beijing Technology and Business University(北京工商大学);Renmin University of China(中国人民大学)
本文提出根因概率(PRC)作为根因的正式定义,基于潜在结果框架和中介分析概念,建立了识别公式,并通过数值示例展示其应用。
2026-05-12 stat.ME
Causal Transformer for Estimating Counterfactual Outcomes
LMU Munich(慕尼黑大学)
随着时间的推移,从观测数据估计反事实结果与许多应用相关(例如,个性化医疗)。然而,最先进的方法建立在简单的长短期记忆(LSTM)网络上,因此对复杂的长期依赖关系进行推断具有挑战性。在本文中,我们开发了一种新的因果Transformer估计反事实的结果随着时间的推移。我们的模型是专门设计来捕捉复杂的,长期的依赖性随时间变化的混杂因素。为此,我们将三个Transformer子网络与时变协变量、先前治疗和先前结果的单独输入组合成一个具有中间交叉注意力的联合网络。我们进一步为我们的因果Transformer开发了一个自定义的端到端培训程序。具体来说,我们提出了一种新的反事实域混淆损失来解决混淆偏差:它旨在学习对抗性平衡表示,以便它们预测下一个结果,但不能预测当前的治疗分配。我们基于合成和真实世界的数据集来评估我们的Causal Transformer,它在当前基线上实现了卓越的性能。据我们所知,这是第一个提出基于transformer的架构来估计来自纵向数据的反事实结果的工作。
2022-06-03 cs.LG stat.ML
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
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
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
Distributional synthetic controls
本文扩展了广泛使用的综合控制估计评估的因果影响的政策变化的分位数函数。所提出的方法提供了一个几何上忠实的估计整个反事实分位数函数的治疗单位。它的吸引力源于通过受约束的分位数对分位数回归的有效实现。这构成了独立利益的新概念。该方法提供了一个独特的反事实分位数函数在任何情况下:连续,离散或混合分布。它在重复的横截面和面板数据中运行,仅需一个预处理期。文章还提供了抽象的识别结果,表明任何合成控制方法,经典或我们的推广,提供了正确的反事实的因果模型,保持结果分布之间的距离。使用整个分位数函数而不是聚合值可以测试反事实分布和观察分布的相等性和随机优势。它可以提供标准结果的因果推断,如平均或分位数处理效应,但也可以提供更一般的概念,如反事实洛伦兹曲线或四分位数间距。
2021-12-30 econ.EM stat.ME
Enabling Counterfactual Survival Analysis with Balanced Representations
Duke University(杜克大学)
平衡表征学习方法已经成功地应用于从观测数据中进行反事实推理。然而,解释生存结局的方法相对有限。在各种医疗应用中经常遇到生存数据,即,药物开发、风险分析和临床试验,并且这些数据也与制造等领域相关(例如,设备监控)。当关注的结局是至事件发生时间时,需要采取处理删失事件的特殊预防措施,因为忽略删失结局可能导致偏倚估计。我们提出了一个理论上接地适用于生存结果的反事实推理的统一框架。此外,我们制定了一个非参数风险比指标,用于评估平均和个性化的处理效应。在真实世界和半合成数据集上的实验结果表明,所提出的方法在生存结局预测和治疗效果估计方面都显着优于竞争对手。
2021-03-03 cs.LG stat.ML
Debiased Machine Learning for Conformal Prediction of Counterfactual Outcomes Under Runtime Confounding
Department of Biostatistics, Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院生物统计系);Department of Biostatistics and Informatics, Colorado School of Public Health(科罗拉多公共卫生学院生物统计与信息学系);Department of Data Science, Dana Farber Cancer Institute(丹娜-法伯癌症研究所数据科学系)
本文提出一种计算高效的去偏机器学习框架,解决运行时混淆问题,通过半参数效率理论实现更快速收敛的置信区间。
2026-04-04 cs.LG stat.ML
Doubly-Robust Estimation of Counterfactual Policy Mean Embeddings
Gatsby Computational Neuroscience Unit University College London(盖茨计算神经科学单元伦敦大学学院)
针对反事实策略结果分布估计需求,提出CPME框架在RKHS中表示分布,设计双重鲁棒估计器提升收敛速率,开发渐近正态的核检验统计量,支持采样且模拟效果优于现有方法。
2025-10-27 cs.LG stat.ML
Enhancing Counterfactual Classification via Self-Training
IBM Research(IBM研究院)
与传统的监督学习不同,在许多情况下,只有部分反馈可用。我们可能只会观察到所选行为的结果,而不会观察到与其他选择相关的反事实结果。这种设置涵盖了各种各样的应用,包括定价,在线营销和精准医疗。一个关键的挑战是,观测数据受到系统中部署的历史政策的影响,产生有偏见的数据分布。我们将此任务视为一个领域自适应问题,并提出了一种自训练算法,该算法将观察数据中有限的不可见行为的分类值归为结果,通过伪标签模拟随机试验,我们称之为反事实自训练(CST)。CST迭代地估算伪标记并重新训练模型。此外,我们表明输入一致性损失可以进一步提高CST性能,这是在最近的伪标记的理论分析。我们证明了所提出的算法在合成和真实数据集上的有效性。
2021-12-08 cs.LG stat.ML
FADE: FAir Double Ensemble Learning for Observable and Counterfactual Outcomes
Carnegie Mellon University(卡内基梅隆大学);J. P. Morgan AI Research(摩根大通人工智能研究院)
建立公平预测的方法通常涉及公平性和准确性之间以及不同公平性标准之间的权衡,但这些权衡的性质各不相同。最近的工作旨在描述这些权衡在特定的问题设置,但这些方法往往不适应用户谁希望提高现有的基准模型的公平性,而不牺牲准确性,反之亦然。这些结果通常也限于可观察的准确性和公平性标准。我们开发了一个灵活的公平集成学习框架,允许用户有效地探索公平性-准确性空间或提高基准模型的公平性或准确性。我们的框架可以同时针对多个可观察或反事实的公平标准,它使用户能够结合大量以前训练和新训练的预测。我们提供理论保证,我们的估计收敛速度快。我们将我们的方法应用于模拟和真实数据,以及可观察和反事实的准确性和公平性标准。我们发现,令人惊讶的是,多个不公平的措施,有时可以同时最小化,对准确性的影响很小,相对于无约束的预测或现有的基准模型。
2021-09-01 cs.LG stat.ML
Outcome-Guided Counterfactuals for Reinforcement Learning Agents from a Jointly Trained Generative Latent Space
SRI International(斯坦福国际研究院)
我们提出了一种新的生成方法,用于根据表征代理行为的结果变量为强化学习(RL)代理生成看不见的和似是而非的反事实示例。我们的方法使用一个变分自编码器训练的潜在空间,共同编码的观察和结果变量有关的代理的行为的信息。反事实生成使用遍历在这个潜在的空间,通过梯度驱动的更新,以及潜在的插值对情况下,从一个池的例子。其中包括提高生成示例的可能性的更新,这提高了生成的反事实的可验证性。从三个强化学习环境中的实验,我们表明,这些方法产生的反事实是更合理的,接近他们的查询相比,纯粹的结果驱动或基于案例的基线。最后,我们表明,一个潜在的联合训练,以重建输入的观察和行为结果变量产生更高质量的反事实比潜在的训练只重建观察输入。
2022-07-15 cs.AI cs.LG
G-Transformer: Counterfactual Outcome Prediction under Dynamic and Time-varying Treatment Regimes
Harvard University(哈佛大学);Massachusetts Institute of Technology(麻省理工学院);City University of New York(纽约城市大学);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室)
本文提出G-Transformer,一种基于Transformer架构并结合g-computation因果推断方法的模型,用于在动态和时变治疗方案下进行反事实结果预测,在模拟与真实ICU数据集上均优于现有模型。
2024-09-26 cs.LG
Non-Linear Counterfactual Aggregate Optimization
Criteo AI Lab(Criteo人工智能实验室)
针对结果为多微小贡献总和的非线性函数直接优化难题,利用和的集中性质提出可扩展下降算法,可用于提升A/B测试达标概率等场景。
2025-09-03 cs.LG stat.ML
Debiased Counterfactual Generation via Flow Matching from Observations
Gatsby Computational Neuroscience Unit(盖茨计算神经科学单位);University College London(伦敦大学学院);Department of Statistics(统计系);University of British Columbia(不列颠哥伦比亚大学)
本文提出通过去偏流从观测数据学习反事实分布,改进了传统方法,提高了效率和鲁棒性。
2026-11-13 cs.LG stat.ML
Learning Counterfactual Representations for Estimating Individual Dose-Response Curves
ETH Zurich(苏黎世联邦理工学院);MPI for Intelligent Systems(马克斯·普朗克智能系统研究所)
估计个体对不同水平的治疗暴露的潜在反应对于几个重要领域具有高度的实际意义,例如医疗保健,经济学和公共政策。然而,现有的学习方法估计从观察数据的反事实的结果是集中在估计平均剂量-反应曲线,或仅限于设置两个治疗,没有相关的剂量参数。在这里,我们提出了一种新的机器学习方法,学习反事实表示估计个人剂量反应曲线的任何数量的治疗与连续剂量参数与神经网络。建立在已建立的潜在结果框架,我们介绍了性能指标,模型选择标准,模型架构,并估计个人剂量反应曲线的开放基准。我们的实验表明,在这项工作中开发的方法设置了一个新的国家的最先进的估计个人剂量反应。
2020-12-10 cs.LG stat.ML