COSTAR：基于自监督学习改进的时间反事实估计
机器学习
2024-02-13 v2
摘要
从观测历史中估计时间反事实结果对于医疗健康和电子商务等诸多领域的决策至关重要，尤其是在随机对照试验（RCTs）成本高昂或不可行时。对于真实世界数据集，由于复杂的动态特性、长程依赖以及过去的治疗和协变量均会影响未来结果，对时变混杂因子进行建模具有挑战性。本文提出反事实自监督Transformer（COSTAR），一种集成自监督学习以改进历史表示的新型方法。我们提出了一种为时间治疗结果观测量身定制的分量对比损失，并从无监督域适应的角度解释其有效性。经验证，在合成与真实世界数据集上的实证结果表明，与现有模型相比，COSTAR在估计精度和分布外数据泛化方面均表现出更优性能。
引用
@article{arxiv.2311.00886,
title = {COSTAR: Improved Temporal Counterfactual Estimation with Self-Supervised Learning},
author = {Chuizheng Meng and Yihe Dong and Sercan Ö. Arık and Yan Liu and Tomas Pfister},
journal= {arXiv preprint arXiv:2311.00886},
year = {2024}
}