観測データと学習された質的因果構造に基づいて信頼性のある因果推論を実行する新しいアプローチを提案します。
本研究では、K-Fold Causal BARTと呼ばれる新しいモデルを提案し、合成データおよび半合成データを用いて評価を行った。その結果、提案モデルは既存のベンチマークモデルと比較して、平均処置効果(ATE)および条件付き平均処置効果(CATE)の推定において優れた性能を示すことが明らかになった。
本稿では、ネットワークを介してユニットが接続されている場合に、干渉が存在する状況において因果効果を特定および推定するための、回帰不連続デザイン(RDD)の新しいフレームワークを提案する。
本稿では、電子医療記録から得られる患者の時系列データを用いて治療の潜在的な結果を予測する際に、時間依存の交絡因子を適切に調整できる新しいニューラルネットワークモデル「SCIP-Net」を提案する。
本稿では、時系列データにおける時変交絡因子を適切に調整し、低分散な条件付き平均ポテンシャルアウトカム(CAPO)推定を実現する新規ニューラルネットワークモデル「G-Transformer(GT)」を提案する。
本文提出了一種名為 G 變換器 (GT) 的新型神經網路模型,用於從觀察性資料中估計條件平均潛在結果 (CAPO),特別是在時間推移的情況下。GT 基於迭代迴歸方案執行 G 計算,有效地調整了時變混雜因素,並以低變異性提供了對 CAPO 的準確估計。
本稿では、連続的治療における自然直接効果および間接効果を推定するための、カーネル平滑化に基づく多重ロバストな推定量を提案する。
本稿では、多変量データセットから因果関係を推定する際に、従来の手法では困難であった、データと整合する因果順序の信頼集合を構築する新しい手法を提案する。この信頼集合は、因果関係の特定、因果効果の信頼区間の算出、祖先関係の部分集合/上位集合の特定など、様々な因果推論タスクに活用できる。
複雑なネットワーク干渉が存在する状況下においても、因果関係を解明するための新しいフレームワークを提案する。
本文提出了一種新的方法來構建因果排序的信賴集,用於量化因果發現中的不確定性,特別是在識別的結構方程模型中。