实体
Heckman
Heckman
PulseAugur coverage of Heckman — every cluster mentioning Heckman across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
CausalBind 使用因果建模进行蛋白质-分子虚拟筛选
研究人员开发了 CausalBind，一种利用因果建模和学习的蛋白质-分子虚拟筛选新方法。该方法旨在识别和利用蛋白质与分子之间稀疏的相互作用模式，超越可能将不变的结合决定因素与无关紧要的相关性纠缠在一起的密集整体对齐。理论结果表明，揭示这些稀疏相互作用对于泛化至关重要，而 CausalBind 的变体在 DUD-E 和 LIT-PCBA 基准测试中表现出色，尤其是在早期富集和分布外泛化方面。
-
新框架支持对有偏样本进行回归分析
研究人员开发了一个新的回归分析框架，该框架完整地描述了何时可以从有偏样本中学习。该方法解决了临床试验和劳动力市场等领域普遍存在的挑战，在这些领域中，数据仅在通过选择过滤器后才被观察到。新方法在识别方面提供了最少的假设，甚至可以在选择过滤器本身无法识别回归函数的情况下识别它，超越了传统的去偏方法。该工作还建立了有限样本估计保证，并为这一广泛的选择问题类别提供了有效的算法。
-
Heckman校正改进了机器学习模型的不确定性校准
研究人员开发了一种新方法来解决机器学习模型中的认知不确定性问题，特别是在训练数据存在选择偏差时。该技术借鉴了源自计量经济学的Heckman校正方法，联合建模选择过程和结果，校正影响两者的未观测变量。实验表明，当选择偏差较高时，重要性加权等标准方法无法保持准确的置信区间，而Heckman校正方法显著提高了校准精度。