高维小样本数据中的因果推断
机器学习
2022-05-20 v1 机器学习
摘要
已有许多方法被提出以利用观测数据估计处理效应。通常，方法的选择会考虑应用的特征，如处理与结果类型、混杂效应以及数据的复杂性。这些方法隐式地假设样本量足够大以训练此类模型，尤其是基于神经网络的估计量。若情况并非如此呢？本工作中，我们提出 Causal-Batle，一种在同一特征空间存在另一高维数据集的条件下，估计高维小样本数据集中处理效应的方法论。我们采用将迁移学习技术引入因果推断的思路。实验表明，此方法有助于为基于神经网络的方法带来稳定性，并改善高维小样本数据集中的处理效应估计。
引用
@article{arxiv.2205.09281,
title = {Causal Inference from Small High-dimensional Datasets},
author = {Raquel Aoki and Martin Ester},
journal= {arXiv preprint arXiv:2205.09281},
year = {2022}
}
备注
12 pages, 3 figures