因果规则森林：可解释且精确的处理效应估计
机器学习
2024-08-28 v1 人工智能
摘要
理解和推断异构处理效应（HTE）和条件平均处理效应（CATE）对于开发个性化治疗建议至关重要。许多最先进的方法在基准数据集或仿真研究中取得了令人印象深刻的性能。然而，这些方法的间接预测方式和复杂模型架构降低了它们的可解释性。为缓解预测性能与异构性可解释性之间的差距，我们引入了因果规则森林（Causal Rule Forest, CRF），这是一种从数据中学习隐藏模式并将其转化为可解释的多级布尔规则的方法。通过训练其他可解释因果推理模型以利用CRF学习的数据表示，我们可以在保持这些模型用于识别治疗更有效的子群的可解释性方面，降低这些模型在估计HTE和CATE时的预测误差。我们的实验强调了CRF发展潜力，以推动个性化干预和政策的进展，为未来的研究提供了可能性，以增强其可扩展性和适用于复杂因果推理挑战。
引用
@article{arxiv.2408.15055,
title = {Causal Rule Forest: Toward Interpretable and Precise Treatment Effect Estimation},
author = {Chan Hsu and Jun-Ting Wu and Yihuang Kang},
journal= {arXiv preprint arXiv:2408.15055},
year = {2024}
}
备注
The 25th IEEE International Conference on Information Reuse and Integration for Data Science (IRI 2024)