马尔可夫决策过程中的反事实影响

如何用概率时序逻辑验证马尔可夫决策过程并表达反事实查询？

本文提出一种新的概率时序逻辑，包含因果推理操作符，能够表达干预和反事实查询，用于验证马尔可夫决策过程。

在马尔可夫决策过程中如何寻找反事实解释来优化决策？

基于马尔可夫决策过程和Gumbel-Max结构因果模型，采用动态规划算法寻找反事实解释，并在认知行为治疗的合成和真实数据上验证。

连续设置下反事实分布存在歧义时，用什么模型处理？

采用贝叶斯层级模型建模不确定性，特别是在贝叶斯变形高斯过程中，允许非高斯分布和非加法噪声，成功应用于合成和半合成案例，并展示在算法补救下游任务中的性能。

如何离线评估强化学习策略在高风险环境中的表现？

使用结构因果模型生成反事实轨迹进行离线政策调试，通过分解期望收益差异标识最具戏剧性的反事实奖励差异情节，并在感染管理的合成环境中证明实用性。

反事实高斯过程如何支持决策制定？

提出一种新的监督学习目标，预测反事实情况而非现有行动策略下的结果，使用反事实高斯过程（CGP）预测未来行动序列下连续时间轨迹的反事实未来进展，在风险预测和个体化治疗规划等任务上具有优势。

在信贷评分公平性分析中，如何模拟反事实分布？

提出一种用于模拟具有离散和连续变量条件的反事实分布的算法，该算法可用于粒子滤波器，并应用于信贷评分中的公平性分析。

领域反事实估计中，如何提高模型准确性？

针对领域反事实，提出基于不同领域、环境生成数据集合的领域特定可逆潜在因果模型，证明通过两个可逆函数可将任何模型转化为等价模型，并表明只允许干预最后k个因果变量的算法可以提高反事实估计的模型准确性。

如何计算模型的多个对抗性解释？

提出一个新的概率模型，用于计算模型的多个对抗性解释，可以共享群体分组的信息，保留领域特定约束，同时评估不确定性，并得出合理、稀疏、多样和可行的结果。

条件生成建模如何捕捉整个反事实分布？

提出一种基于条件生成建模的方法，旨在捕捉整个反事实分布，特别适用于医疗保健和公共政策制定。通过边际结构模型解决观察数据和目标反事实分布之间的分布不匹配问题，在合成和真实数据上优于现有方法。

如何通过数据整合和结构因果模型解决选择偏差？

介绍一种方法，通过数据整合和建立结构性因果模型，在不同条件下解决由选择偏差引起的局部统计问题，并针对数据集的部分可识别性问题提出逼近计算方法。实验验证了可行性和准确性，并揭示数据整合对信息界的提高具有积极作用。