用于识别具有增强治疗效应子群的因果规则集

因果推断分析中的一个关键问题是如何找到具有提升治疗效应的子群。本文采用机器学习方法，引入了一种名为因果规则集（Causal Rule Sets, CRS）的生成模型，用于可解释的子群发现。CRS 模型使用一组少量的短决策规则来捕捉平均治疗效应提升的子群。我们提出了学习因果规则集的贝叶斯框架。该贝叶斯模型包含一个倾向于简单模型的先验，以提高可解释性并避免过拟合，以及一个贝叶斯逻辑回归模型来捕捉数据似然，刻画结果、属性和子群成员资格之间的关系。该贝叶斯模型具有可调参数，能够刻画不同规模的子群，为用户提供从\emph{治疗有效前沿}中更灵活地选择模型的机会。我们利用规则集和参数联合解空间中的迭代离散蒙特卡洛步骤寻找最大后验模型。为了提高搜索效率，我们提供了有理论依据的启发式方法和边界策略来剪枝和限制搜索空间。实验表明，该搜索算法能够高效地恢复真实的潜在子群。我们将 CRS 应用于可解释性不可或缺领域的公开和真实世界数据集。我们将 CRS 与最先进的基于规则的子群发现模型进行了比较。结果显示，CRS 在来自不同领域的数据集上始终取得了具有竞争力的性能，表现为较高的治疗有效前沿。