因果多任务需求学习

我们研究了一个由零售定价问题激发的标准多任务需求学习问题，企业寻求在多个决策情境中估计异构的线性 price-response 函数。每个情境由丰富的协变量描述，但仅有限的 price 变动，激励跨任务间的 transfer learning。利用跨任务 transfer 的核心挑战是 endogeneity：价格可能在跨情境中与未观测到的 task-level demand 决定因素任意相关。我们提出了一种新的 meta-learning 框架，用于识别即使存在此类 confounding 也能识别给定子集 task-specific 可观测量的 task-specific causal demand 参数的条件均值。我们假设每个任务至少包含两个 distinct 且 locally exogenous 的 price 点。该子集小心设计，以包括所有价格以解决 cross-task confounding，同时遮蔽两个 demand 结果以提供 randomized supervision 以解决因包含所有价格而产生的 identifiability 问题。我们表明，这一信息设计是 maximally uniformly valid，即任何对条件集的精细化如果揭示 withheld-outcome 信息都不一定能识别条件均值 causal 目标。我们在真实和合成数据上验证了该方法，展示了相对于标准 transfer-learning 框架的 demand response 恢复能力的改进。