Konforme Monte-Carlo-Meta-Lerner für die prädiktive Inferenz individueller Behandlungseffekte
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.
Statistische Modellierung kausaler Zusammenhänge mit stationären Diffusionen
Stationäre Diffusionsprozesse können als grafenfreie, flexible Modelle für kausale Zusammenhänge verwendet werden, die Rückkopplungen zwischen Variablen erlauben und die Auswirkungen von Interventionen vorhersagen können.
Effiziente Schätzung gerichteter azyklischer Graphen durch gemeinsame Schätzung von Rauschparametern
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.
Topologisches neuronales Poisson-Auto-Regressives Modell zum Lernen der Granger-Kausalstruktur aus Ereignissequenzen
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.
Effiziente simultane Lernmethode und Leistungsbewertung für individualisierte Behandlungsregeln
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.
© 2024 by Linnk AI