反事实均值嵌入
机器学习
2021-07-13 v4 机器学习
摘要
反事实推断已成为在线广告、推荐系统、医学诊断和计量经济学中无处不在的工具。对不同干预相关的结局分布——即反事实分布——的准确建模对这些应用的成功至关重要。在本工作中，我们提出使用一种称为反事实均值嵌入（CME）的新颖希尔伯特空间表示来建模反事实分布。CME 将相关的反事实分布嵌入到赋予正定核的再生核希尔伯特空间（RKHS）中，这使我们能够对整个反事实分布图景进行因果推断。基于该表示，我们提出一种分布处理效应（DTE），可量化整个结局分布上的因果效应。我们的方法是非参数的，因为 CME 可在无混杂假设下从观测数据估计，无需对底层分布作任何参数假设。我们还建立了所提估计量的收敛速率，其依赖于条件均值和底层边际分布的 Radon-Nikodym 导数的光滑性。此外，我们的框架允许更复杂的结局，如图像、序列和图。我们在合成数据和离策略评估任务上的实验结果展示了所提估计量的优势。
引用
@article{arxiv.1805.08845,
title = {Counterfactual Mean Embeddings},
author = {Krikamol Muandet and Motonobu Kanagawa and Sorawit Saengkyongam and Sanparith Marukatat},
journal= {arXiv preprint arXiv:1805.08845},
year = {2021}
}
备注
71 pages