基于梯度插值与核平滑的连续治疗效果估计
机器学习
2024-01-30 v1 机器学习
摘要
我们解决个体化连续治疗效果（ICTE）估计问题，即利用观测数据预测任意连续值治疗对个体的效果。该估计任务的主要挑战在于训练数据中治疗分配与个体协变量之间可能存在混杂，而ICTE在推理时需要对独立采样的治疗进行预测。与先前依赖正则化器或不稳定GAN训练的工作不同，我们主张采用一种直接方法：通过独立采样的治疗和推断的反事实结果来增强训练个体。我们使用双管齐下的策略推断反事实结果：对接近观测值的治疗使用梯度插值，以及使用基于高斯过程的核平滑，这使我们能够降低高方差推断的权重。我们在五个基准上评估了我们的方法，并表明我们的方法在反事实估计误差上优于六种最先进的方法。我们通过以下两点分析了我们方法的优越性能：(1) 我们推断的反事实响应更准确，(2) 将它们添加到训练数据中减少了混杂的训练分布与治疗独立于协变量的测试分布之间的分布距离。我们提出的方法是模型无关的，并且我们证明它提高了多个现有模型的ICTE准确性。
引用
@article{arxiv.2401.15447,
title = {Continuous Treatment Effect Estimation Using Gradient Interpolation and Kernel Smoothing},
author = {Lokesh Nagalapatti and Akshay Iyer and Abir De and Sunita Sarawagi},
journal= {arXiv preprint arXiv:2401.15447},
year = {2024}
}
备注
Accepted at AAAI 24