反因果预测任务中基于线性学习器的因果感知反事实混杂调整的替代线性残差化方法
机器学习
2020-11-10 v1 人工智能
机器学习
摘要
线性残差化是机器学习(ML)应用中混杂调整的常见做法。近来,因果感知预测建模被提出作为一种替代的、受因果启发的混杂调整方法。其基本思想是模拟不受观测混杂因素所产生的虚假关联影响的反事实数据。在本文中,我们在反因果预测任务中比较了线性残差化方法与因果感知混杂调整,并表明因果感知方法在线性学习器的预测性能方面倾向于(渐近地)优于残差化调整。重要的是,即便真实模型并非线性,我们的结果仍然成立。我们在回归与分类任务中说明了我们的结果,其中我们在合成数据实验中比较了因果感知与残差化方法,使用了均方误差与分类准确率,实验设定既包括线性回归模型设定错误的情形,也包括线性模型设定正确的情形。此外,我们说明了相对于混杂因素与结果变量联合分布的数据集偏移,因果感知方法比残差化更稳定。
引用
@article{arxiv.2011.04605,
title = {Causality-aware counterfactual confounding adjustment as an alternative to linear residualization in anticausal prediction tasks based on linear learners},
author = {Elias Chaibub Neto},
journal= {arXiv preprint arXiv:2011.04605},
year = {2020}
}
备注
This paper draws some material from arXiv:2001.03998