通过信息正则化表示实现无对抗的反事实预测
机器学习
2026-04-28 v2 机器学习
摘要
我们研究了分配偏差下的反事实预测，并提出了一种基于数学的、信息论的方法，该方法无需对抗训练即可消除处理-协变量依赖性。从一个将反事实-事实风险差距与互信息联系起来的界出发，我们学习一个随机表示Z，该表示能预测结果，同时最小化I(Z; T)。我们推导出一个可处理的变分目标，该目标对信息项进行上界约束，并将其与一个监督解码器耦合，从而产生一个稳定、有理论依据的训练准则。该框架通过将信息惩罚应用于每个决策时刻的序列表示，自然地扩展到动态设置。我们在受控数值模拟和一个真实世界的临床数据集上评估了该方法，并与最新的基于均衡、重加权和对抗的基线方法进行了比较。在似然度、反事实误差和策略评估等指标上，我们的方法表现良好，同时避免了对抗方案的训练不稳定性和调参负担。
引用
@article{arxiv.2510.15479,
title = {Adversary-Free Counterfactual Prediction via Information-Regularized Representations},
author = {Shiqin Tang and Rong Feng and Shuxin Zhuang and Youzhi Zhang and Hongzong Li},
journal= {arXiv preprint arXiv:2510.15479},
year = {2026}
}