基于对抗平衡表示学习的观测数据因果效应推断
机器学习
2021-05-19 v3 机器学习
摘要
从观测数据中学习因果效应对医疗健康、教育和社会学等诸多领域大有裨益。例如，可估计新药对特定个体的影响，以辅助临床方案并提升生存率。本文聚焦于从观测数据估计条件平均处理效应（Conditional Average Treatment Effect, CATE）的问题。该问题的挑战有两方面：一方面，我们必须推导因果估计量以从存在混杂偏差的观测数据中估计因果量；另一方面，我们必须处理处理组与对照组协变量分布不平衡时 CATE 的识别问题。为克服这些挑战，我们提出一种称为基于对抗平衡的因果效应推断表示学习（ABCEI）的神经网络框架，其建立在表示学习的最新进展之上。为确保 CATE 的识别，ABCEI 使用对抗学习在潜在表示空间中平衡处理组与对照组的协变量分布，且不对处理选择/分配函数的形式作任何假设。此外，在表示学习与平衡过程中，来自原始协变量空间的高预测性信息可能丢失。ABCEI 可在互信息估计量正则化下保留用于预测因果效应的有用信息，从而解决该信息丢失问题。实验结果表明，ABCEI 对处理选择偏差具有鲁棒性，并匹配或优于当前最优（SOTA）方法。我们的实验在多个数据集上展示了有前景的结果，其中包括代表不同医疗健康领域的数据集。
引用
@article{arxiv.1904.13335,
title = {Adversarial Balancing-based Representation Learning for Causal Effect Inference with Observational Data},
author = {Xin Du and Lei Sun and Wouter Duivesteijn and Alexander Nikolaev and Mykola Pechenizkiy},
journal= {arXiv preprint arXiv:1904.13335},
year = {2021}
}