用于连续处理效应估计的对抗平衡表示
机器学习
2023-12-19 v1 统计方法学
摘要
个体处理效应（ITE）估计需要调整不同处理人群之间的协变量偏移，而深度表示学习在学习协变量的平衡表示方面展现了巨大潜力。然而，现有方法大多考虑二元处理的场景。在本文中，我们考虑了更具实用性且更具挑战性的场景，即处理为连续变量（例如药物剂量），并解决了该设置的两个主要挑战。我们提出了对抗反事实回归网络（ACFR），该网络通过对抗方式最小化以 KL 散度衡量的表示不平衡，并利用注意力机制维持处理值对结果预测的影响。在理论上，我们证明了 ACFR 的目标函数基于反事实结果预测误差的上界。我们在半合成数据集上的实验评估证明了 ACFR 相对于一系列 state-of-the-art 方法的经验优越性。
引用
@article{arxiv.2312.10570,
title = {Adversarially Balanced Representation for Continuous Treatment Effect Estimation},
author = {Amirreza Kazemi and Martin Ester},
journal= {arXiv preprint arXiv:2312.10570},
year = {2023}
}