摘要：
Hern$'$n M. and Robins J. Causal Inference: What If. 这一章介绍了如何估计time-varying 下的causal effect. 21.1 The g-formula for time-varying treatments 求静态的$\math 阅读全文
摘要：
Kingma D., Salimans T., Jozefowicz R., Chen X., Sutskever I. and Welling M. Improved Variational Inference with Inverse Autoregressive Flow. NIPS, 201 阅读全文
摘要：
Tomczak J. and Welling M. Improving Variational Auto-Encoders using Householder Flow. NIPS workshop: Bayesian Deep Learning, 2016. 概 本文介绍了一种Normalizin 阅读全文
摘要：
Germain M., Gregor K., Murray I. and Larochelle H. MADE: Masked Autoencoder for Distribution Estimation. ICML, 2015. 概 考虑 \[ \hat{x} = f(x) \in \mathb 阅读全文
摘要：
Rezende D., Mohamed S. Variational Inference with Normalizing Flow. ICML, 2015. 概 VAE的先验分布很重要, 但是后验分布也很重要, 我们常常假设$q_{\phi}(z|x)$满足一个高斯分布, 这就大大限制了近似后验分 阅读全文
摘要：
Hern$'$n M. and Robins J. Causal Inference: What If. 在介绍如何估计causal effect之前, 需要介绍一个treatment-confounder feedback 的概念, 由于这种情况的存在, 导致原先的一些估计方法失效. 20.1 T 阅读全文
摘要：
Tomczak J. & Welling M. VAE with a VampPrior. In International Conference on Artificial Intelligence and Statistics (AISTATS), 2018. 概 这篇文章提出了一种新的"多模态 阅读全文
摘要：
Hoffman M. & Johnson M. ELBO surgery: yet another way to carve up the variational evidence lower bound. NIPS, 2016. 概 这篇文章主要介绍了一种ELBO一种新的改写, 以及可以从中获得的 阅读全文
摘要：
Nazabal A., Olmos P., Ghahramani Z. and Valera I. Handing incomplete heterogeneous data using VAEs. Pattern Recognition, 2020, 107: 107501. 概 这篇文章利用VA 阅读全文
摘要：
Hern$'$n M. and Robins J. Causal Inference: What If. 这一章讲一种新的方法: propensity scores. 15.1 Outcome regression 在满足条件可交换性下, \[ \mathbb{E} [Y^{a=1, c=0}|L= 阅读全文
摘要：
Hern$'$n M. and Robins J. Causal Inference: What If. 前面已经介绍过了Standardization 和 IP weighting, 这里在介绍另外一种方法: G-estimation. 14.1 The causal question revis 阅读全文
摘要：
Hern$'$n M. and Robins J. Causal Inference: What If. 这一节来讲怎么结合standardization. 13.1 Standardization as an alternative to IP weighting \[ \sum_l \mathb 阅读全文
摘要：
Hern$'$n M. and Robins J. Causal Inference: What If. 这一章介绍如何结合IP weighting 和 参数模型. 12.1 The causal question 12.2 Estimating IP weights via modeling 我们 阅读全文
摘要：
Hern$'$n M. and Robins J. Causal Inference: What If. 前10章介绍了一些基本概念, 从这一章开始, 将通过模型进一步分析. 11.1 Data cannot speak for themselves 我们要估计$\mathbb[Y|A=a]$, 但 阅读全文
摘要：
Hern$'$n M. and Robins J. Causal Inference: What If. 在之前, 一直假设样本数量足够大, 从而没有随机因素的影响(即把以个体看成一亿或者更多个体的集合). 但是这种假设在实际中显然是不合理的, 往往我们只有少量的数据. 10.1 Identific 阅读全文
摘要：
Hern$'$n M. and Robins J. Causal Inference: What If. 已经介绍过两个bias: confounding和selection, 这里介绍第三个, measurement bias. 这个measurement bias 不是指样本数目过少导致的误差, 阅读全文
摘要：
Hern$'$n M. and Robins J. Causal Inference: What If. 上一章讲了confounding, 这种bias来源于treatment和outcome受同一个未观测的cause影响, 但是这种bias在随机实验中可以避免. 这一章要讲的试selection 阅读全文
摘要：
Hern$'$n M. and Robins J. Causal Inference: What If. 这一节介绍了一个confounding的概念, 在观测数据中, confounder往往是让人头疼的存在. backdoor path: 指的是intervention$A$和outcome$Y 阅读全文
摘要：
Kang B., Xie S., Rohrbach M., Yan Z., Gordo A., Feng J. and Kalantidis Y. Decoupling representation and classifier for long-tailed recognition. In Int 阅读全文
摘要：
Hern$'$n M. and Robins J. Causal Inference: What If. 本章引入有向无环图(CAG)来表述因果推断模型. 6.1 Causal diagrams 正如上图所示, 因果推断的模型可以用一个有向无环图表示, 如两个变量有直接的连接, 比如$A \righ 阅读全文