具有均匀处理的因果效应变分自编码器
机器学习
2022-09-22 v2
摘要
领域自适应与协变量偏移是深度学习中的重大问题，它们最终会影响任何依赖深度神经网络的因果推断算法。因果效应变分自编码器（CEVAE）被训练用于在给定观测处理数据的情况下预测结果，并在测试时遭受分布偏移的困扰。在本文中，我们引入均匀处理变分自编码器（UTVAE），其使用重要性采样以均匀处理分布进行训练，并表明相较于观测处理分布，使用均匀处理能够通过缓解从训练到测试时出现的分布偏移而带来更好的因果推断。我们还探索了将均匀与观测处理分布同推断及生成网络训练目标相结合，以寻找推断处理效应的更佳训练流程。在实验上，我们发现所提出的 UTVAE 在合成与 IHDP 数据集上比 CEVAE 取得了更好的绝对平均处理效应误差与异质效应误差估计精度。
引用
@article{arxiv.2111.08656,
title = {Causal Effect Variational Autoencoder with Uniform Treatment},
author = {Daniel Jiwoong Im and Kyunghyun Cho and Narges Razavian},
journal= {arXiv preprint arXiv:2111.08656},
year = {2022}
}