用于随时间变化反事实回归的因果对比学习
机器学习
2024-10-30 v3 统计方法学
摘要
随时间估计处理效应在精准医学、流行病学、经济学和市场营销等多个领域具有重要意义。本文介绍了一种独特的随时间变化反事实回归方法，特别强调长期预测。与Causal Transformer等现有模型不同，我们的方法突出了使用RNN进行长期预测的有效性，并辅以对比预测编码(CPC)和信息最大化(InfoMax)。我们强调效率，避免了计算成本高昂的Transformer。利用CPC，我们的方法在存在时变混杂因素的情况下捕获长期依赖关系。值得注意的是，最近的模型忽视了可逆表示的重要性，损害了识别假设。为了解决这个问题，我们采用InfoMax原理，最大化序列数据与其表示之间互信息的下界。我们的方法在使用合成数据和真实数据时均达到了最先进的反事实估计结果，标志着对比预测编码在因果推断中的开创性应用。
引用
@article{arxiv.2406.00535,
title = {Causal Contrastive Learning for Counterfactual Regression Over Time},
author = {Mouad El Bouchattaoui and Myriam Tami and Benoit Lepetit and Paul-Henry Cournède},
journal= {arXiv preprint arXiv:2406.00535},
year = {2024}
}
备注
Accepted at NeurIPS2024