用于异质性剂量-反应曲线估计的对比平衡表示学习
机器学习
2024-03-22 v1
摘要
估计个体对不同处理剂量的潜在反应对于精准医学和管理科学等领域的决策至关重要。最近的研究大多通过学习一个独立于处理变量的协变量表示来预测反事实结果。然而，这种独立性约束忽略了许多对反事实预测有用的协变量信息，尤其是当处理变量为连续变量时。为解决上述问题，本文首先从理论上证明了平衡表示和预后表示对于异质性剂量-反应曲线无偏估计的重要性，即学习到的表示需满足协变量与处理变量及潜在反应之间的条件独立性约束。基于此，我们提出一种新颖的、使用部分距离度量的对比平衡表示学习网络（CRNet），用于在不丢失处理连续性的情况下估计异质性剂量-反应曲线。在合成数据集和真实世界数据集上进行的大量实验表明，我们的方法显著优于以往的方法。
引用
@article{arxiv.2403.14232,
title = {Contrastive Balancing Representation Learning for Heterogeneous Dose-Response Curves Estimation},
author = {Minqin Zhu and Anpeng Wu and Haoxuan Li and Ruoxuan Xiong and Bo Li and Xiaoqing Yang and Xuan Qin and Peng Zhen and Jiecheng Guo and Fei Wu and Kun Kuang},
journal= {arXiv preprint arXiv:2403.14232},
year = {2024}
}