Causal-BALD：从观测数据推断处理效应的深度贝叶斯结果主动学习
机器学习
2022-02-02 v2 机器学习
摘要
在实验设计不可行、不道德或昂贵的情形下，从高通量观测数据估计个性化处理效应至关重要。现有方法依赖于对处理组和对照组人群中观测到的结果拟合深度模型。然而，当测量个体结果的成本很高时（如肿瘤活检），需要一种用于获取每个结果的样本高效策略。深度贝叶斯主动学习通过选择高不确定性点提供了高效数据获取的框架。然而，现有方法将训练数据获取偏向处理组和对照组人群支持集不重叠的区域。这些区域样本效率不高，因为处理效应在此类区域中不可识别。我们引入了基于信息论的因果贝叶斯获取函数，将数据采集偏向具有重叠支持集的区域，以最大化学习个性化处理效应的样本效率。我们在合成和半合成数据集 IHDP 和 CMNIST 及其扩展上展示了所提获取策略的性能，这些数据集旨在模拟常见的数据集偏差与病态特征。
引用
@article{arxiv.2111.02275,
title = {Causal-BALD: Deep Bayesian Active Learning of Outcomes to Infer Treatment-Effects from Observational Data},
author = {Andrew Jesson and Panagiotis Tigas and Joost van Amersfoort and Andreas Kirsch and Uri Shalit and Yarin Gal},
journal= {arXiv preprint arXiv:2111.02275},
year = {2022}
}
备注
24 pages, 8 Figures, 5 tables, NeurIPS 2021