用于 uplift 建模的双生神经网络模型
机器学习
2021-05-12 v1 机器学习
摘要
Uplift 是条件处理效应建模的一种特例。此类模型处理针对特定因素（如营销干预或医疗处理）的因果推断。实践中，这些模型构建自随机临床试验的个体数据，其目标是根据 uplift 将参与者划分为异质子群。大多数现有方法是对随机森林在 uplift 情形下的改造。文献中已提出若干分裂准则，均依赖于最大化异质性。然而在实践中，这些方法易于过拟合。本工作中我们为 uplift 建模带来新视角。我们借助与相对风险的贝叶斯解释之间的联系定义了一种新损失函数。我们的方案针对一种特定的双生神经网络架构开发，允许联合优化处理组与对照组个体成功的边际概率。我们表明该模型是 uplift 逻辑交互模型的推广。我们修改了随机梯度下降算法以得到结构化稀疏解。这在很大程度上有助于训练我们的 uplift 模型。我们展示了所提方法在模拟设定下及来自大规模随机实验的真实数据上与最先进方法具有竞争力。
引用
@article{arxiv.2105.05146,
title = {A Twin Neural Model for Uplift},
author = {Mouloud Belbahri and Olivier Gandouet and Alejandro Murua and Vahid Partovi Nia},
journal= {arXiv preprint arXiv:2105.05146},
year = {2021}
}