高维结构性处理的对比表示
机器学习
2024-12-02 v1 人工智能
机器学习
摘要
估计因果效应对于决策至关重要。在标准因果效应估计中，处理对象通常为二元或连续值。然而，在许多重要现实场景中，处理对象可以是结构化的、高维对象，如文本、视频或音频。这为传统因果效应估计提供了挑战。虽然利用不同处理对象之间的共享结构可帮助在测试时间推广到未见处理对象，但我们在本文中展示，使用此类结构而不加以审慎处理会导致因果效应估计偏差。我们通过构建一种新颖的对比方法来学习高维处理对象的表示，并证明了该方法识别底层因果因素并丢弃非因果相关因素。我们证明，该处理表示导致对因果效应的无偏估计，并在合成数据和真实数据集上对结果进行了经验验证和基准测试。
引用
@article{arxiv.2411.19245,
title = {Contrastive representations of high-dimensional, structured treatments},
author = {Oriol Corcoll Andreu and Athanasios Vlontzos and Michael O'Riordan and Ciaran M. Gilligan-Lee},
journal= {arXiv preprint arXiv:2411.19245},
year = {2024}
}