检索结果-南通市图书馆

重加权的对抗变分自编码器及其在工业因果效应估计中的应用

在线全文

学校读者我要写书评

暂无评论

计算机应用 2023年

作者：李宗禹强思维郭晓波朱振峰北京交通大学计算机与信息技术学院北京交通大学信息科学研究所蚂蚁集团网商银行

反事实预测和选择偏差是因果效应估计中的重大挑战。为对潜在协变量的复杂混杂分布进行有效表征，同时增强反事实预测泛化能力，提出一种面向工业因果效应估计应用的重加权的对抗变分自编码器网络模型。针对混杂分布去偏问题，借鉴域适... 详细信息

反事实预测和选择偏差是因果效应估计中的重大挑战。为对潜在协变量的复杂混杂分布进行有效表征，同时增强反事实预测泛化能力，提出一种面向工业因果效应估计应用的重加权的对抗变分自编码器网络模型。针对混杂分布去偏问题，借鉴域适应思想，采用对抗学习机制对由变分自编码器获得的隐含变量进行表示学习的分布平衡；在此基础上，通过学习样本倾向性权重对样本进行重加权，进一步缩小实验组（Treatment）与对照组（Control）样本间的分布差异。通过在工业真实场景数据集及公开数据集上验证的结果表明，与传统及当前最先进算法相比，所提出的重加权的对抗变分自编码器网络模型在各种衡量指标上均有着显著优势。

关键词：因果效应估计重加权变分自编码器反事实预测选择偏差因果学习

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

可解释辅助诊断与因果效应估计方法研究

可解释辅助诊断与因果效应估计方法研究

作者：国圳宇北京交通大学

学位级别：硕士

随着国家对医疗资源的日益重视,运用现代人工智能技术引导医疗技术进步,促进医疗资源的平衡分布成为国家的重要举措之一。然而,受限于现有人工智能模型的黑盒性与不可解释性,当前的辅助诊断模型难以取得医疗工作者的充分信任。此外,在... 详细信息

随着国家对医疗资源的日益重视,运用现代人工智能技术引导医疗技术进步,促进医疗资源的平衡分布成为国家的重要举措之一。然而,受限于现有人工智能模型的黑盒性与不可解释性,当前的辅助诊断模型难以取得医疗工作者的充分信任。此外,在对不同治疗方案进行效果评估时,由于现有病患数据中存在着选择偏差以及反事实缺乏问题,将不可避免的会造成因果推理模型对治疗方案的效果估计出现偏差,从而导致错误的治疗方案被推荐。为克服上述问题,亟需构建一个可解释的个性化辅助诊断模型,并能做出准确的治疗效果估计,从而满足智慧医疗对辅助诊断模型的需求。本文完成的主要研究成果如下:(1)针对医疗环境中的可解释诊断问题,本文提出了一种基于GBDT的病例级可解释辅助诊断模型。通过自适应梯度提升决策树(Ada GBDT)模型实现了决策模型的高效构建,在此基础上为获取样例级别的特征诊断重要性,提出了一种基于双路互信息回溯的特征重要性嵌入算法。最后在嵌入空间中采用基于内容的推理(CBR)和Ada GBDT联合决策的方式完成难样本的定位。在两个公开医学数据集上进行的实验表明算法的有效性;(2)针对现有医学环境下观察数据中存在的选择偏差问题,提出一种基于Transformer表示学习的因果效应估计模型(CETransformer)。为充分挖掘不同治疗组对应样本之间的特征关联性,采用Transformer架构下的自注意力机制获取更具表征能力的表示。此外,为缓解由于选择偏差所引起的分布偏移问题,生成对抗网络被用于治疗组和控制组在表示空间中的分布平衡。在三个真实世界的数据集上的实验结果表明,与当前最先进的因果效果估计方法相比,本文所提的CETransformer具有优势;(3)针对基于单一子空间信息量不足所带来的治疗效果估计不准确问题,提出了一种可分离子空间表征学习的因果效应估计模型。所提出的可分离子空间由共享子空间与治疗方案独立的子空间组成,可以在获取共享信息的同时,能够有效保留治疗方案依赖的样本特异性信息,从而有利于学习更具信息量的表示。此外,为确保共享子空间与独立子空间之间信息的不相关性,本文引入希尔伯特-施密特独立性指标来代替互信息指标。最后,通过局部相似性保持学习,使得原始空间中的结构性信息在表征空间中得以有效保持。实验结果表明,该模型具有很好的治疗效果估计能力。

关键词：可解释辅助诊断因果效应估计 Transformer 子空间表示学习深度学习

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于变分编码机的因果效应估计

基于变分编码机的因果效应估计

作者：叶金城广东工业大学

学位级别：硕士

随着大数据技术的不断发展,人们探索了许多用于挖掘这些数据的算法。但是它们大多局限于挖掘数据中的关联关系,而没有深入理解数据中的因果关系,所以常常会导致一些错误的结论。这种错误往往是不可预估的,也是十分危险的,尤其是在医学... 详细信息

随着大数据技术的不断发展,人们探索了许多用于挖掘这些数据的算法。但是它们大多局限于挖掘数据中的关联关系,而没有深入理解数据中的因果关系,所以常常会导致一些错误的结论。这种错误往往是不可预估的,也是十分危险的,尤其是在医学领域或者商业决策。基于关联关系挖掘的人工智能算法存在这样的不可避免的缺陷,富有远见的学者们早已开始了因果分析的研究,并且他们认为这才是通往强人工智能的正确之路。目前因果分析主要包括两大部分,因果关系网络发现和因果效应估计,前者是后者的理论基础,后者是前者的应用与验证。传统的因果网络发现方法很容易出现等价类的难题,也就是存在局部不可判别的因果方向。它们只能较好地识别V结构,对于d分离的结构无法区分,所以两变量的因果方向判别方法引起了人们的关注。目前的两变量的因果方向判别方法大多基于噪声独立性假设。这种方法使用核估计来实现噪声独立性的判别,但是这会导致大样本的数据计算量急剧增加,同时核估计方法也很容易对噪声独立性错误判断。为了突破加性噪声假设的限制,本人开始研究异方差数据的因果方向判别,目前研究这种场景的算法还比较少。异方差数据研究的难点在并非所有的异方差系统都具备因果方向可识别性,只能进一步通过合理假设挖掘出具备可识别性的异方差系统。通过研究,本人发现四阶矩是一种很好的度量异方差噪声特性的工具,并且以此建立了一套异方差数据因果方向判别的框架。本算法的创新点在于借助变分异方差高斯过程能够降低计算复杂度,同时四阶矩理论突破了噪声独立性假设,把因果方向判别算法的适用范围进一步扩大。本人还在理论上证明了模型可以退化到噪声独立假设的场景,这表明算法具备一般的适用性。实验的分析的结果也表明本文的方法是有成效的。因果效应估计是建立在因果网络发现的基础之上的研究,它的目的是估计某一种特定的因果关系网络之中因变量对于果变量的影响程度大小。因果效应估计在现实场景具有广泛的应用,例如药物治疗,社会科学等。传统的因果效应估计方法大多基于简单的线性模型或者逻辑回归作为拟合模型,所以常常只能适用于低维小样本的数据,在处理高维海量的数据时表现不佳,而后者是大数据时代不可避免的问题。随着深度学习算法的快速发展,它在处理高维海量的成效令人瞩目,这让我们看到了它们之间结合的可能性。本人发现基于变分编码机模型可以很好地分离与因果效应真正起效的隐变量,某种意义上实现了高维数据信息分离提取的作用。在正确分离隐变量的基础上,再结合传统的倾向评分法就可以较好地解决高维的因果效应估计问题。本方法的创新点在于结合流式的变分编码机与传统的倾向评分法成功地解决高维的带隐变量的因果效应估计问题。实验结果也表明模型在平均因果效应估计上取得了很好的效果。本文的工作分析了因果分析从理论到应用的过程的难点,解决实际应用遇到的异方差和高维数据等问题,完成了因果关系发现到因果效应估计的完整理论框架。

关键词：因果关系网络发现因果效应估计异方差因果方向判别变分编码机

重加权的对抗变分自编码器及其在工业因果效应估计中的应用

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机应用 2024年第4期44卷 1099-1106页

作者：李宗禹强思维郭晓波朱振峰北京交通大学计算机与信息技术学院北京100044 北京交通大学信息科学研究所北京100044 蚂蚁集团网商银行北京100020

反事实预测和选择偏差是因果效应估计中的重大挑战。为对潜在协变量的复杂混杂分布进行有效表征,同时增强反事实预测泛化能力,提出一种面向工业因果效应估计应用的重加权对抗变分自编码器网络(RVAENet)模型。针对混杂分布去偏问题,借鉴... 详细信息

反事实预测和选择偏差是因果效应估计中的重大挑战。为对潜在协变量的复杂混杂分布进行有效表征,同时增强反事实预测泛化能力,提出一种面向工业因果效应估计应用的重加权对抗变分自编码器网络(RVAENet)模型。针对混杂分布去偏问题,借鉴域适应思想,采用对抗学习机制对由变分自编码器(VAE)获得的隐含变量进行表示学习的分布平衡;在此基础上,通过学习样本倾向性权重对样本进行重加权,进一步缩小实验组(Treatment)与对照组(Control)样本间的分布差异。实验结果表明,在工业真实场景数据集的两个场景下,所提模型的提升曲线下的面积(AUUC)比TEDVAE(Treatment Effect with Disentangled VAE)分别提升了15.02%、16.02%;在公开数据集上,所提模型的平均干预效果(ATE)和异构估计精度(PEHE)普遍取得最优结果。

关键词：因果效应估计重加权变分自编码器反事实预测选择偏差因果学习

两样本孟德尔随机化中工具变量对因果估计的性别特异性影响——人体测量学性状与乳腺癌关系的实证研究

在线全文

学校读者我要写书评

暂无评论

中国卫生统计 2021年第2期38卷 198-203页

作者：高一欣曾平赵华硕徐州医科大学公共卫生学院流行病与卫生统计学系 221004

目的研究两样本孟德尔随机化(mendelian randomization, MR)分析中性别特异工具变量对因果效应估计的影响。方法利用全基因组关联数据以乳腺癌作为结局,以人体测量学性状(身体质量指数(BMI)、腰臀比(WHR)、腰围(WC)和臀围(HIP))作为暴露... 详细信息

目的研究两样本孟德尔随机化(mendelian randomization, MR)分析中性别特异工具变量对因果效应估计的影响。方法利用全基因组关联数据以乳腺癌作为结局,以人体测量学性状(身体质量指数(BMI)、腰臀比(WHR)、腰围(WC)和臀围(HIP))作为暴露,采用两样本MR逆方差加权法估计因果效应;通过差异检验比较使用女性特异工具变量与性别合并工具变量的因果效应(OR值);进一步通过敏感性分析验证结果的稳健性。结果使用性别合并工具变量的MR结果表明BMI/WC与乳腺癌风险存在因果关联(OR值分别为0.85(P=0.003)和0.87(P=0.020));剔除性别差异的工具变量后,每组OR值与未剔除前基本一致,但WC与乳腺癌的因果关联不再显著(P=0.069);使用女性特异工具变量的MR结果与使用性别合并工具变量结果相比,每组OR值均呈下降趋势;其中BMI/HIP与乳腺癌的因果关联效应大小发生了明显改变(P因果关联的OR值由0.85下降至0.76。结论工具变量的性别异质会对MR的因果效应估计产生实质影响,使用性别合并的工具变量可能导致有偏的因果关联。

关键词：两样本孟德尔随机化工具变量性别异质性因果效应估计乳腺癌

基于工具变量的丁苯酞-急性缺血性卒中的因果效应评估

在线全文

学校读者我要写书评

暂无评论

广东工业大学学报 2024年第1期41卷 41-46页

作者：林容基陈薇黄志新蔡瑞初广东工业大学计算机学院广东广州510006 广东省第二人民医院神经内科广东广州510317

因果效应分析在临床统计中是一种常见的研究方法,其通常基于观察数据进行分析。然而,在使用观察数据进行因果效应分析时,常受到未观测变量的影响,从而使因果效应评估出现偏差。当无法忽略未观测变量带来的偏差或无法找到适当的代理变量... 详细信息

因果效应分析在临床统计中是一种常见的研究方法,其通常基于观察数据进行分析。然而,在使用观察数据进行因果效应分析时,常受到未观测变量的影响,从而使因果效应评估出现偏差。当无法忽略未观测变量带来的偏差或无法找到适当的代理变量来削弱这种偏差时,传统方法无法提供可靠的因果效应估计。为了解决这一问题,本文采用工具变量法,在临床统计的药效分析领域提出一种比传统方法更加准确的计算方法,将未观测变量的影响纳入误差项,以实现准确的因果效应估计。通过将观察数据中满足特定假设的变量作为工具变量,计算了丁苯酞(一种药物)对急性缺血性卒中(Acute Ischemic Stroke,AIS)患者在存在未观测变量的情况下,其3个月预后的因果效应,并评估了该因果估计量的置信区间。研究结果揭示了丁苯酞对急性缺血性卒中患者的预后恢复具有明显的积极作用。

关键词：未观测变量工具变量丁苯酞因果效应估计