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 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
Diffusion Counterfactual Generation with Semantic Abduction
Department of Computing, Imperial College London, UK(计算系,伦敦帝国学院,英国)
本文面向反事实图像编辑中的身份保留与因果忠实性难题,提出融合语义表示与 Pearl 因果性的扩散框架,并通过空间、语义和动态溯因实现可控权衡。
2025-06-09 cs.AI cs.CV 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
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
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
CounteRGAN: Generating Realistic Counterfactuals with Residual Generative Adversarial Nets
Amazon(亚马逊);Hired;Facebook(脸书)
机器学习模型在各个行业中的流行已经导致对模型可解释性以及对向用户提供有意义的求助的能力的需求不断增长。例如,希望改善诊断的患者或寻求增加批准机会的贷款申请人。在这方面,反事实可以通过识别输入扰动来提供帮助,这些扰动将导致更理想的预测结果。有意义的反事实应该能够实现预期的结果,但也是现实的,可操作的,有效的计算。目前的方法实现了预期的结果,具有适度的可操作性,但在现实性和延迟方面受到严重限制。为了解决这些限制,我们将生成对抗网络(GANs)应用于反事实搜索。我们还介绍了一种新的残差GAN(RGAN),与常规GANs相比,它有助于提高反事实现实主义和可操作性。所提出的CounteRGAN方法利用RGAN和目标分类器来产生能够提供有意义的追索权的反事实。对两个流行数据集的评估突出了CounteRGAN如何能够克服现有方法的局限性,包括延迟改善> 50倍至> 90,000倍,使有意义的追索权实时可用并适用于广泛的领域。
2021-05-27 cs.AI cs.LG stat.ML
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
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
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
Counterfactual Fairness through Transforming Data Orthogonal to Bias
Carnegie Mellon University(卡内基梅隆大学)
提出模型无关的数据预处理算法Orthogonal to Bias (OB),通过确保数据与连续敏感变量正交来实现反事实公平,在合成和真实数据集上有效促进公平且不损害准确性。
2025-06-25 cs.LG 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
Reliable Decision Support using Counterfactual Models
Johns Hopkins University(约翰斯·霍普金斯大学)
决策者面临着一个挑战,即估计他们采取行动时可能会发生什么。例如,如果我选择不治疗这个病人,他们可能会死吗?从业者通常使用监督学习算法来拟合预测模型,帮助决策者推断可能的未来结果,但我们表明这种方法是不可靠的,有时甚至是危险的。关键问题在于,监督学习算法对用于选择训练数据中的动作的策略高度敏感,这导致模型捕获不泛化的关系。我们建议使用不同的学习目标来预测反事实,而不是像监督学习那样预测现有行动策略下的结果。为了支持决策的时间设置,我们引入了反事实高斯过程(CGP)来预测反事实的未来的连续时间轨迹下的未来行动序列的进展。我们证明了CGP的好处,对两个重要的决策支持任务:风险预测和“如果?“个体化治疗计划的推理。
2018-02-01 cs.AI 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
Treatment-Response Models for Counterfactual Reasoning with Continuous-time, Continuous-valued Interventions
Johns Hopkins University(约翰斯·霍普金斯大学)
处理效应可根据观察数据估计为潜在结局的差异。在本文中,我们解决的挑战,估计潜在的结果时,治疗剂量水平可以随着时间的推移不断变化。此外,结果变量可以不以常规频率测量。我们提出的解决方案表示使用线性时不变动力系统的治疗响应曲线-这提供了一种灵活的手段,随着时间的推移,高度可变的剂量曲线的建模响应。此外,对于多变量数据,所提出的方法:揭示了治疗反应和多个标志物的基线中的共享结构;并且,随着时间的推移,灵活地建模具有挑战性的信号之间和信号内的相关性结构。为此,我们建立在多输出高斯过程的框架上。在模拟的和具有挑战性的临床数据集上,我们显示出比最先进模型的准确性显着提高。
2017-11-05 cs.AI cs.LG 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
DiffusionCounterfactuals: Inferring High-dimensional Counterfactuals with Guidance of Causal Representations
Information Sciences Institute(信息科学研究所);Clemson University(克莱姆森大学)
本文提出结合因果机制与扩散模型的新框架DiffusionCounterfactuals,在因果表示引导下生成高质量高维反事实样本,在多步干预下持续生成准确反事实,并在合成与真实基准上优于现有方法。
2024-07-30 cs.LG stat.ME
Counterfactual Generation via Flow Matching: Coupling-Sensitive End-to-End Rates
Johns Hopkins University(约翰霍普金斯大学);University of California, Davis(加州大学戴维斯分校);Amazon(亚马逊)
本文提出一种基于流匹配的反事实生成方法,结合双鲁棒目标与学习耦合,并给出耦合敏感的KL界和端到端保证,实验显示随机采样器在有限步数下优于确定性采样器。
2026-10-02 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
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
Scalable Counterfactual Distribution Estimation in Multivariate Causal Models
Shiga University(滋贺大学);RIKEN(理化学研究所);The Institute of Statistical Mathematics(统计数理研究所)
针对扩展双重差分多元因果模型中的反事实联合分布估计,本文提出利用稳健潜在一维子空间兼顾维度相关性与单变量估计效率,并在合成及真实数据上验证其优势。
2023-11-02 cs.AI cs.LG stat.ME
DoubleGen: Debiased Generative Modeling of Counterfactuals
Harvard University(哈佛大学);Institute of Statistical Mathematics(统计数学研究所)
DoubleGen提出双重稳健框架,通过修改生成模型训练目标,在倾向性模型和结果模型仅有一个正确时也能消除反事实生成中的混杂偏差,并实现预言机最优性和极小极大速率最优性。
2025-09-20 cs.LG stat.ME stat.ML
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
TriShGAN: Enhancing Sparsity and Robustness in Multivariate Time Series Counterfactuals Explanation
本文提出TriShGAN,通过在CounteRGAN框架中引入三元组损失和Shapelet提取器,在保持低代价的同时增强多元时间序列反事实解释的鲁棒性与稀疏性。
2025-11-09 cs.AI cs.LG
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
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