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
Adversarial Distribution Balancing for Counterfactual Reasoning
University Medical Center Göttingen(哥廷根大学医学中心);University of Göttingen(哥廷根大学)
本文提出ADBCR方法,通过对抗分布平衡直接利用反事实潜在结果估计消除虚假因果关联,在三个基准数据集上优于现有方法,并验证了未标记验证数据可进一步提升性能。
2023-11-28 cs.LG
Identifying counterfactual probabilities using bivariate distributions and uplift modeling
Advanced Concepts Team - European Space Agency(欧洲航天局高级概念团队);Machine Learning Group - Université Libre de Bruxelles(布鲁塞尔自由大学机器学习小组)
本文提出了一种基于双变量贝塔分布的反事实估计方法,利用提升分数估计客户流失的反事实概率,提升建模与反事实识别的结合增强了因果推断的准确性。
2025-12-09 cs.LG
Counterfactual Online Conformal Prediction Under Adaptive Logging
Shanghai Jiao Tong University(上海交通大学);Alibaba Group(阿里巴巴集团)
本文提出倾向加权在线共形预测(PW-OCP)及其双稳健变体(DR-OCP),以解决自适应日志下反事实覆盖失效问题,实验证明其提升反事实覆盖并降低遗憾。
2026-11-03 cs.LG
Intervention Granularity Matters: Coherent Treatment Bundles in Counterfactual Simulation with Clinical World Models
Duke University(杜克大学)
本研究通过临床世界模型反事实模拟,发现干预粒度影响模型响应:完整治疗捆绑比单组件编辑更显著改变预测状态,为反事实治疗模拟提供更可靠基础。
2026-09-21 cs.LG
Probabilistic Counterfactual Inference for Discrete Outcomes in Gaussian-Process Causal Models
University of Waterloo(滑铁卢大学);Vector Institute for Artificial Intelligence(向量人工智能研究所)
针对GP-SCM中离散结果的反事实推断,提出统一概率框架,推导精确噪声推断程序,并证明耦合误设会显著增加反事实误差。
2026-10-07 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
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
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
Learning Counterfactual Outcomes Under Rank Preservation
Beijing Technology and Business University(北京技术与商业大学);Peking University(北京大学);Zhejiang University(浙江大学);University of California, Santa Cruz(加州大学圣克鲁兹分校);Intuit AI Research(Intuit AI研究院);Carnegie Mellon University(卡内基梅隆大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
针对现有反事实推理方法依赖已知结构因果模型或假设过强的问题,本文提出基于秩保持假设的反事实结果识别方法,设计凸的无偏理想损失与核估计器,理论与实验均验证了方法的有效性。
2025-10-03 cs.LG stat.ML
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
Personalized Counterfactual Framework: Generating Potential Outcomes from Wearable Data
Dept. of Computer Science, University of California, Irvine(加州大学伊市分校计算机科学系);School of Nursing, University of California, Irvine(加州大学伊市分校护理学院)
针对可穿戴数据难获个性化健康见解的问题,提出个性化反事实框架:通过多模态相似性扩充数据、时间PC算法发现预测关系、梯度提升机量化个体效应,实现假设干预下的生理轨迹预测,验证了其预测准确性与反事实合理性,可提供个性化健康动态见解。
2025-08-20 cs.LG
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
COSTAR: Improved Temporal Counterfactual Estimation with Self-Supervised Learning
University of Southern California(南加州大学);Google Cloud AI Research(谷歌云人工智能研究)
本文提出COSTAR模型,通过集成自监督学习和逐分量对比损失改进历史表征,有效解决了时间反事实结果估计中时间依赖混杂因素的建模难题,在估计精度和分布外泛化上表现优异。
2024-02-12 cs.LG
Predicting Counterfactuals from Large Historical Data and Small Randomized Trials
Hebrew University of Jerusalem(耶路撒冷希伯来大学);Microsoft Research(微软研究院);Tel Aviv University(特拉维夫大学)
当考虑使用一种新的治疗方法时,无论是制药药物还是搜索引擎排名算法,都会出现一个典型的问题,即其性能是否会超过当前治疗方法?回答这个反事实问题的传统方法是通过进行对照随机实验来评估新治疗与传统治疗的效果。虽然这种方法在理论上确保了无偏估计,但它有几个缺点,包括难以找到代表性的实验群体以及运行此类试验的成本。此外,这种试验忽略了大量的控制条件数据,这些数据往往被完全忽略。在本文中,我们提出了一个判别框架,用于估计一个新的治疗的性能给定的控制条件的大数据集和数据从一个小的(可能是不具代表性的)随机试验比较新的和旧的治疗。我们的目标,这需要最少的假设的治疗,模型之间的关系,不同的条件的结果。这使我们不仅可以估计平均效应,还可以为随机样本之外的示例生成单独的预测。我们通过三个方面的实验证明了我们的方法的实用性:搜索引擎操作,糖尿病患者的治疗,和房屋的市场价值估计。我们的研究结果表明,我们的方法可以减少目前进行的随机对照实验的数量和规模,从而节省显着的时间,金钱和精力的从业者的一部分。
2016-10-26 cs.LG
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
TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective
确定时间多重干预的因果影响有助于决策。受时变偏倚、选择偏倚和多种干预措施相互作用的限制,从个体时间数据中解开和估计多个治疗效果仍然很少见。为了应对这些挑战,我们提出了一个全面的框架,从个人多重治疗的角度(TCFimt)的时间反事实预测。TCFimt在seq2seq框架中构建对抗性任务以减轻选择和时变偏差,并设计基于对比学习的块以将混合处理效应解耦为分离的主处理效应和因果相互作用,从而进一步提高估计精度。通过对来自不同领域的两个真实世界数据集进行实验,所提出的方法在预测特定治疗的未来结果以及选择最佳治疗类型和时机方面表现出令人满意的性能。
2022-12-17 cs.LG stat.ML
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
NCoRE: Neural Counterfactual Representation Learning for Combinations of Treatments
John A. Paulson School of Engineering and Applied Sciences, Harvard University(哈佛大学约翰·A·保尔森工程与应用科学学院);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);GlaxoSmithKline(葛兰素史克)
从观察数据中估计个体对干预措施的潜在反应对于许多领域具有高度的实际意义,例如医疗保健,公共政策或经济学。在这种情况下,往往可以同时采取多种干预措施,例如,在医疗保健方面采取多种处方,或在经济学方面采取不同的财政和货币措施。然而,现有的反事实推理方法仅限于动作不同时使用的情况。在这里,我们提出了神经反事实关系估计(NCoRE),这是一种在联合治疗环境中学习反事实表示的新方法,它明确地模拟了交叉治疗的相互作用。NCoRE基于一种新的分支条件神经表征,其中包括学习治疗相互作用调节剂,以推断多种治疗组合的潜在因果生成过程。我们的实验表明,NCoRE显着优于现有的最先进的方法,用于反事实的治疗效果估计,不考虑在几个合成,半合成和真实世界的基准组合多种治疗的影响。
2021-03-20 cs.LG stat.ME stat.ML
Conformal Counterfactual Inference under Hidden Confounding
University College London(伦敦大学学院);ByteDance Research(字节跳动研究院)
针对隐藏混杂下反事实结果置信区间构建的难题,提出基于转导加权共形预测的wTCP-DR方法,借助少量干预数据应对协变量偏移,在覆盖率与效率上优于现有基线。
2024-05-20 cs.LG
Navigating Time's Possibilities: Plausible Counterfactual Explanations for Multivariate Time-Series Forecast through Genetic Algorithms
本文提出一种结合遗传算法和因果性测试的方法,用于多变量时间序列预测中的反事实解释,旨在揭示隐藏的因果关系并预测假设干预下的结果。
2026-03-01 cs.LG
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
Counterfactual Generative Models for Time-Varying Treatments
Carnegie Mellon University(卡内基梅隆大学);Princeton University(普林斯顿大学)
针对时变干预下反事实结果数量多、结果高维导致传统平均干预效应估计失效的问题,提出基于逆概率重加权的条件生成框架,可结合前沿生成模型生成高质量反事实样本,性能优于现有基线。
2024-07-13 cs.LG stat.ME stat.ML
Learning Under Treatment-Induced Label Indeterminacy with Expert Annotations of Counterfactual Outcomes: A Case Study in Neurological Prognostication
针对治疗决策导致部分患者结局不确定的临床预后问题,提出结合确定与不确定病例标签的预测模型及分类型评估框架,揭示两类病例评估的权衡关系。
2026-08-14 cs.LG
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
Partial counterfactual identification and uplift modeling: theoretical results and real-world assessment
Université Libre de Bruxelles(布鲁塞尔自由大学);Orange Belgium(奥兰治比利时)
本文提出基于条件独立性的反事实点估计器,并在合成数据和现实客户数据上验证了其在提升建模中的有效性。
2022-11-14 cs.LG
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
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
Uncertainty-Aware Optimal Treatment Selection for Clinical Time Series
Technical University of Munich(慕尼黑工业大学);Helmholtz Munich(亥姆霍兹慕尼黑中心);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心)
本文提出一种结合反事实估计与不确定性量化的新方法,用于在预算约束下为临床时间序列推荐个性化最优治疗方案,在心血管和COVID-19模拟数据集上验证了其稳健性与准确性。
2024-10-11 cs.LG
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
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
Machine learning models for estimating counterfactuals in a single-arm inflammatory bowel disease study
Children’s Hospital of Eastern Ontario Research Institute(东部安大略儿童医院研究所在);School of Epidemiology and Public Health, University of Ottawa(渥太华大学流行病学与公共卫生学院);Alberta Children’s Hospital(阿尔伯塔儿童医院);University of Calgary(卡尔加里大学);University of Toronto(多伦多大学);Hospital for Sick Children(sick children 医院)
本文提出利用机器学习模型构建虚拟对照组,预测ADA治疗儿童克罗恩病的1年无类固醇临床缓解及CRP-无类固醇临床缓解,与倾向评分匹配结果对比,验证虚拟对照的有效性。
2026-04-25 cs.LG
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
Bayesian Counterfactual Mean Embeddings and Off-Policy Evaluation
Carnegie Mellon University(卡内基梅隆大学);University of Oxford(牛津大学)
反事实分布模拟了未处理组中的处理效果。虽然大部分的工作集中在预期值的处理效应,人们可能会感兴趣的整个反事实分布或其他数量与之相关的贝叶斯条件均值嵌入的框架的基础上,我们提出了一个贝叶斯方法建模的反事实分布,这导致量化的认知不确定性的分布。该框架自然延伸到观察到多种处理效应(例如,过渡期后的中间效果,以及主要关注的最终处理效应)的设置,并允许对这些效果之间关系的不确定性进行额外建模。为了实现这一目标,我们提出了三种新的贝叶斯方法来估计最终的处理效应的期望,当只提供噪声样本之间的依赖性的中间和最终的效果。这些方法在所考虑的不确定性来源上有所不同,并允许结合两种数据来源。此外,我们将这些想法推广到政策外的评估框架,这可以被视为反事实估计问题的扩展。我们经验性地探讨了在两个不同的实验设置,需要数据融合的算法的校准,并说明了考虑的不确定性所产生的两个来源的数据的价值。
2022-11-02 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
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
Counterfactual Prediction Under Selective Confounding
Beloit College(伯洛伊特学院);University of Kansas(堪萨斯大学)
针对未观测到所有混杂因素时的二元处理因果推断挑战,提出Selective Confounding框架,利用双处理样本和两步法学习反事实预测器,并提供了理论误差界限与真实儿童安置数据的实证验证。
2023-10-21 cs.LG
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
Counterfactual Uncertainty Quantification of Factual Estimand of Efficacy from Before-and-After Treatment Repeated Measures Randomized Controlled Trials
Department of Mathematics, The University of Manchester;Janssen Research;Pfizer Worldwide Research \& Development;Department of Statistics, The Ohio State University
该研究提出ETZ统计建模原理,在带治疗前后重复测量的随机对照试验中实现了反事实不确定性量化,其变异性低于事实UQ,同时警示带测量误差的预测变量会引发亚组效应估计的衰减偏差。
2025-06-14 cs.LG stat.ML
Bounding the Causal Impact of ML-assisted Decision-Making via Counterfactual Correctness
Johns Hopkins University(约翰·霍普金斯大学)
研究如何评估机器学习辅助决策对下游结果的因果影响,提出利用先前RCT数据构建新模型因果效应界限的部分识别方法,通过两个单调性假设,经模拟研究表明该方法能产生更具信息量的界限。
2026-07-27 cs.LG
Learning Personalized Treatment Decisions in Precision Medicine: Disentangling Treatment Assignment Bias in Counterfactual Outcome Prediction and Biomarker Identification
ETH Zurich(苏黎世联邦理工学院);University of Zurich(苏黎世大学);University Hospital Zurich(苏黎世大学医院);Harvard University(哈佛大学);DFCI(达纳-法伯癌症研究所)
本文利用互信息建模临床观察数据中的治疗分配偏倚,并在TCGA及药物、CRISPR筛选数据上验证不同偏倚对反事实预测和生物标志物识别的影响,为精准医疗个性化治疗决策提供更现实的基准。
2024-11-24 cs.IT cs.LG math.IT
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
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
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
CREATED: Generating Viable Counterfactual Sequences for Predictive Process Analytics
Utrecht University(乌得勒支大学)
预测性流程分析侧重于预测未来状态,例如运行流程实例的结果。这些技术通常使用机器学习模型或深度学习模型(如LSTM)来进行此类预测。然而,这些深度模型是复杂的,用户很难理解。反事实回答“如果”的问题,这是用来理解预测背后的推理。例如,如果不是给客户发电子邮件,而是给客户打电话呢?这种替代方案会导致不同的结果吗?当前生成反事实序列的方法要么没有考虑过程行为,导致生成无效或不可行的反事实过程实例,要么严重依赖于领域知识。在这项工作中,我们提出了一个通用的框架,使用进化的方法来生成反事实序列。我们的框架不需要领域知识。相反,我们建议训练马尔可夫模型来计算生成的反事实序列的可行性,并调整其他三个措施(结果预测,相似性和稀疏性的增量),以确保其整体的可行性。评估表明,我们生成可行的反事实序列,在可行性方面优于基线方法,并且与需要领域知识的最先进方法相比,产生类似的结果。
2023-03-28 cs.AI cs.LG
Synergizing Deconfounding and Temporal Generalization For Time-series Counterfactual Outcome Estimation
Duke University(杜克大学);AI at Meta(Meta人工智能部门)
本文提出协同去混淆与时间泛化的方法,通过子治疗组对齐和随机时间掩码提升时间序列反事实结果估计的性能。
2025-11-20 cs.AI cs.LG
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
Explaining Reinforcement Learning Agents Through Counterfactual Action Outcomes
Technion - Israel Institute of Technology(以色列理工学院)
针对现有可解释强化学习局部解释无法展现动作结果的问题,提出可视化对比所选动作与反事实动作结果的COViz方法,实验显示其与奖励分解法整合可显著提升用户对智能体偏好的理解表现。
2023-12-18 cs.AI cs.LG
Reducing Selection Bias in Counterfactual Reasoning for Individual Treatment Effects Estimation
University of Alberta(阿尔伯塔大学)
反事实推理是一个重要的范式,适用于许多领域,如医疗保健,经济学和教育。在这项工作中,我们提出了一种新的方法来解决这个问题的\textit{selection bias}。我们学习了两组潜在随机变量,其中一组对应于仅导致选择偏差的变量,另一组与结果预测相关。它们由自动编码器学习,其中基于Pearson相关系数(PCC)的额外正则化损失鼓励两组随机变量之间的去相关。这允许通过仅保留与估计个体治疗效果相关的潜在变量来明确减轻选择偏倚。在合成玩具数据集和基准数据集上的实验结果表明,我们的算法能够实现最先进的性能,并改善其对应的结果,没有明确的模型的选择偏差。
2019-12-19 cs.LG stat.ML
Gradient-based Counterfactual Explanations using Tractable Probabilistic Models
TU Darmstadt(达姆施塔特工业大学)
反事实示例是机器学习模型的一类有吸引力的事后解释。给定类$y_1$的输入$x$,其反事实是另一个类$y_0$的对比示例$x^\prime$。目前的方法主要是通过复杂的优化来解决这个任务:基于具有硬约束或软约束的反事实结果$y_0$的损失来定义目标函数,然后将该函数作为黑盒来优化。然而,这种“深度学习“方法相当缓慢,有时很棘手,并且可能导致不切实际的反事实示例。在这项工作中,我们提出了一种新的方法来处理这些问题,只使用两个梯度计算的基础上听话的概率模型。首先,我们计算一个无约束的反事实$x$的$u$,以诱导反事实结果$y_0$。然后,我们调整$u$到更高的密度区域,从而产生$x^{\prime}$。经验证据证明了我们的方法的优势。
2022-05-16 cs.AI cs.LG
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
Counterfactuals for the Future
New York University(纽约大学);London School of Economics(伦敦政治经济学院)
反事实通常被描述为“回顾性的”,专注于对已实现的过去的假设替代。这一描述涉及到一个经常隐含的假设,即被建模系统中的外生变量的结构和稳定性--在许多使用反事实的环境中,这一假设是合理的。在这项工作中,我们考虑的情况下,我们可能会合理地作出不同的假设外生变量,即每个单元的外生噪声项确实表现出一些特定于单元的结构和/或稳定性。这导致我们对反事实的另一种用法--一种“前瞻性”而不是“回顾性”的反事实。我们介绍“反事实治疗选择”,一种治疗选择问题,激励使用前瞻性反事实。然后,我们探讨了干预性与前瞻性反事实治疗选择方法之间的不匹配(与有关外源噪音的不同假设一致)如何导致违反直觉的结果。
2022-12-07 cs.AI cs.CY cs.LG
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