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
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
High Fidelity Image Counterfactuals with Probabilistic Causal Models
Imperial College London(伦敦帝国理工学院);Microsoft Research Cambridge(微软剑桥研究院)
针对高维图像类结构化变量的反事实与干预查询估计难题,研究结合因果中介分析思路与生成建模进展,提出含新型深度因果机制的通用因果生成建模框架,实验验证其在溯因及各类效应估计上的准确性。
2023-07-18 cs.LG stat.ME
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
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
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
G-Net: A Deep Learning Approach to G-computation for Counterfactual Outcome Prediction Under Dynamic Treatment Regimes
Massachusetts Institute of Technology(麻省理工学院);IBM Research(IBM研究院);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室)
反事实预测是决策中的一项基本任务。G计算是一种在动态时变治疗策略下估计预期反事实结果的方法。现有的G-计算实现大多采用经典的回归模型,其捕获复杂的时间和非线性依赖结构的能力有限。本文介绍了G-Net,这是一种用于G计算的新型顺序深度学习框架,可以处理复杂的时间序列数据,同时施加最小的建模假设,并提供对个体或群体水平时变治疗效果的估计。我们使用从CVSim(一种心血管系统的机械模型)获得的逼真的复杂时间模拟数据来评估替代G-Net实现。
2020-03-23 cs.LG stat.ML
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
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
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
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
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
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
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
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
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
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
Deep Counterfactual Networks with Propensity-Dropout
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);University of Oxford(牛津大学);Alan Turing Institute(艾伦·图灵研究所)
我们提出了一种新的方法,用于从观察数据中推断治疗(干预)的个体化因果效应。我们的方法将因果推理概念化为多任务学习问题;我们使用深度多任务网络对受试者的潜在结果进行建模,该网络具有事实和反事实结果之间的一组共享层以及一组特定结果层。观测数据中的选择偏差的影响通过一个倾向-丢弃正则化方案来减轻,在该方案中,网络通过依赖于相关倾向分数的丢弃概率来细化每个训练样本。网络在交替的阶段进行训练,在每个阶段中,我们使用两个潜在结果(治疗和控制群体)之一的训练样本来更新共享层和相应结果特定层的权重。基于真实世界的观测研究数据进行的实验表明,我们的算法优于最先进的。
2017-06-19 cs.LG stat.ML
Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations
University of Oxford(牛津大学);The Alan Turing Institute(艾伦·图灵研究所);University of California, Los Angeles(加利福尼亚大学洛杉矶分校);University of Cambridge(剑桥大学)
确定何时对患者进行治疗以及如何随着时间的推移在多种治疗中进行选择是重要的医疗问题,现有的解决方案很少。在本文中,我们介绍了反事实循环网络(CRN),这是一种新型的序列到序列模型,它利用日益可用的患者观察数据来估计随着时间的推移的治疗效果并回答此类医学问题。为了处理时变混杂因素(影响观察数据中治疗分配策略的协变量)的偏倚,CRN使用领域对抗训练来构建患者病史的平衡表示。在每个时间步,CRN构建一个治疗不变表示,该表示消除了患者病史和治疗分配之间的关联,因此可以可靠地用于进行反事实预测。在肿瘤生长的模拟模型上,随着时间的变化,我们展示了我们的模型如何在估计反事实和选择正确的治疗和治疗时机方面比目前最先进的方法实现更低的误差。
2020-02-10 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
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
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
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
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
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 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
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
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
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
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
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
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
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
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
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
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
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
Counterfactual Identifiability of Bijective Causal Models
Massachusetts Institute of Technology (MIT)(麻省理工学院)
本文研究双射生成机制因果模型的反事实可辨识性,证明三类含未观测混杂结构的可辨识性,并提出基于结构化深度条件生成建模的学习与估计方法。
2023-06-06 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
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
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
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
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
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
Navigating the Structured What-If Spaces: Counterfactual Generation via Structured Diffusion
IBM Research(IBM研究院);Indian Institute of Delhi(德里印度理工学院)
本文提出结构化反事实扩散器(SCD),首个利用扩散模型为结构化数据生成反事实解释的即插即用框架,通过引导扩散模型生成高合理性、邻近性和多样性的反事实,优于现有方法。
2023-12-21 cs.AI cs.LG
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
Transformer-Based Spatial-Temporal Counterfactual Outcomes Estimation
College of Computer Science and Technology, National University of Defense Technology, Changsha, China(计算机科学与技术学院,国防科技大学,长沙,中国);Intelligent Game and Decision Lab, Academy of Military Science, Beijing, China(智能游戏与决策实验室,军事科学院,北京,中国)
本文提出基于Transformer的时空反事实结果估计框架,在温和假设下估计量具有一致性和渐近正态性,模拟与真实数据实验验证了其优于基线方法的估计能力,并揭示了哥伦比亚冲突对森林损失的因果效应。
2025-06-26 cs.AI cs.LG stat.ME
Clinical outcome prediction under hypothetical interventions -- a representation learning framework for counterfactual reasoning
University of Oxford(牛津大学);Oxford University Hospitals NHS Foundation Trust(牛津大学医院NHS基金会信托)
大多数机器学习(ML)模型仅用于预测;不提供对其预测或参数/属性的因果解释选项。这可能会阻碍卫生系统在临床决策过程中采用ML模型的能力,其中预测假设调查结果的需要和愿望(即,反事实推理/解释)是高的。在这项研究中,我们引入了一个新的表示学习框架(即,部分概念瓶颈),认为提供反事实解释是风险模型的内在属性。尽管架构上的变化对于联合优化预测准确性和反事实推理是必要的,但我们方法的准确性与仅预测模型相当。我们的研究结果表明,我们提出的框架有可能帮助研究人员和临床医生改善个性化护理(例如,通过调查干预措施的假设差异效应)
2022-05-15 cs.AI cs.LG
DeepImagine: Clinical Trial Outcome Prediction via Stepwise Local Counterfactual Imaginations
Laboratory for Emerging Intelligence, University of California, San Diego(新兴智能实验室,加州大学圣地亚哥分校);Department of Dermatology, University of California, San Diego(皮肤科系,加州大学圣地亚哥分校);University of Chicago(芝加哥大学);Elsevier(艾尔斯特出版社)
本文提出DeepImagine框架,通过连续反事实想象训练语言模型进行生物医学推理,利用反事实对偶和强化学习提升临床试验预测性能,展示模型在生物医学领域的可解释性改进。
2026-08-06 cs.AI cs.CL cs.LG
Safe Bayesian Optimization with Counterfactual Policies
College of Computer Science University of Massachusetts Amherst(计算机科学学院 马萨诸塞大学阿默斯特分校)
研究在新干预受安全约束的决策场景下的优化问题,利用共形预测构建反事实基线结果的不确定性区间,集成到安全贝叶斯优化中,确保约束 violation 率可控,还能适应协变量转移,提供了多方面分析。
2026-08-11 cs.AI cs.LG
DisCERN:Discovering Counterfactual Explanations using Relevance Features from Neighbourhoods
Robert Gordon University(罗伯特戈登大学)
反事实解释侧重于“可操作的知识”,以帮助最终用户理解如何将机器学习结果改变为更理想的结果。为此,反事实解释者需要发现与结果变化相关的输入依赖性。确定在决策中采取输出变化所需的最小特征变化子集对反事实解释者来说是一个有趣的挑战。本文介绍的Discern算法是一种基于实例的反事实解释器。在这里,反事实是通过从最近的不相似邻居(NUN)替换特征值来形成的,直到观察到可操作的变化。我们展示了如何广泛采用的功能相关性为基础的解释(即石灰,SHAP),可以通知Discern识别的最小子集的“可操作的功能”。我们在五个数据集上展示了我们的Discern算法,并与广泛使用的基于优化的反事实方法DiCE进行了比较研究。我们的研究结果表明,Discern是一种有效的策略,以尽量减少必要的可操作的变化,创造良好的反事实解释。
2021-09-13 cs.AI cs.LG
Non parametric estimation of causal populations in a counterfactual scenario
Dauphine-PSL University(巴黎第九大学-巴黎文理大学)
在因果关系中,估计治疗的效果而不混淆推断仍然是一个主要问题,因为需要评估治疗和不治疗两种情况下的结果。由于不能同时观察这两种情况,估计潜在结果仍然是一项具有挑战性的任务。我们提出了一种创新的方法,将问题重新表述为缺失的数据模型。目的是估计\emph{causal populations}的隐藏分布,定义为治疗和结局的函数。因果自动编码器(CAE),增强了依赖于治疗和结果信息的先验,同化潜在空间的目标人群的概率分布。特征在被减少到潜在空间并受到网络中间层中引入的包含治疗和结果信息的掩模的约束后被重建。
2021-12-08 cs.LG stat.ME