首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

因果推断与反事实预测——几篇关联论文(二十六)

简介:工具变量(Instrumental Variables, IV)是治疗随机化的来源,有条件地独立于结果,在未观察到的混杂因素的因果推理中具有重要作用。然而,现有的基于工具变量的反事实预测方法需要预先定义好的工具变量,而在许多现实场景中,找到有效的IV是一门艺术,而不是科学。此外,人为预先定义的IV可能会因为违反有效IV的条件从而引入错误。这些棘手的事实阻碍了基于IV的反事实预测方法的应用。在本文中,我们提出了一种新的自动工具变量分解(AutoIV)算法,从观测变量(IV候选变量)中自动生成IV的表示。具体来说,我们通过互信息最大化和最小化约束,让学到的IV表示分别满足与治疗和结果的相关性条件。我们也通过鼓励他们与治疗和结果相关来学习混杂表征。在对抗性博弈中,IV表征和混杂表征通过它们的约束条件争夺信息,这使得我们能够得到基于IV的反事实预测的有效的IV表征。大量的实验表明,我们的方法能够产生有效的IV表征来进行准确的基于IV的反事实预测。

02

谷歌ICML获奖论文 看像素递归神经网络如何帮图片“极致”建模 ?

对自然图片的分布进行建模一直以来都是无监督学习中的里程碑式的难题。这要求图片模型易表达、易处理、可拓展。我们提出一个深度神经网络,它根据顺序沿着两个空间维度来预测图片中的像素。我们的模型离散了原始像素值的可能性,同时编码保证了整个图片的完整性。 建模特性包含二维循环层,以及对深度递归网络连接的有效利用。我们实现了比之前所有的模型都要好的在自然图片上对数可能性的分数。我们的主要结果也对Imagenet进行分类提供了支撑依据。从模型分析出的样本相当清楚、多样且有普遍适用性。 引言 在无监督学习中,通用型图形建模

016
领券