Der Kern dieser Arbeit ist die Einführung des Konforme Monte-Carlo (CMC) Meta-Lerner-Frameworks, das konforme prädiktive Systeme, Monte-Carlo-Sampling und CATE-Meta-Lerner integriert, um prädiktive Verteilungen individueller Behandlungseffekte zu erzeugen, die für die Entscheidungsfindung verwendet werden können.
Stationäre Diffusionsprozesse können als grafenfreie, flexible Modelle für kausale Zusammenhänge verwendet werden, die Rückkopplungen zwischen Variablen erlauben und die Auswirkungen von Interventionen vorhersagen können.
Wir präsentieren CoLiDE, ein neues Verfahren zur effizienten Schätzung linearer DAGs, das gleichzeitig die DAG-Struktur und die exogenen Rauschparameter schätzt. CoLiDE ist robust gegenüber heteroskedastischen Rauschverteilungen und erfordert keine manuelle Feinabstimmung von Hyperparametern.
Das vorgeschlagene TNPAR-Modell ermöglicht eine effektive Entdeckung der Granger-Kausalstruktur aus topologischen Ereignissequenzen, indem es sowohl das topologische Netzwerk als auch die latente Kausalstruktur in einem einheitlichen Rahmen modelliert.
Die "Cram"-Methode ist ein effizienter Ansatz, um gleichzeitig eine individualisierte Behandlungsregel zu lernen und deren Leistung zu bewerten, indem das gesamte Datensample für beides genutzt wird.