用于半监督个体处理效应估计的反事实传播方法
机器学习
2020-05-12 v1 机器学习
摘要
个体处理效应(ITE)表示对特定目标采取特定行动后其结果预期的改善程度,在多个领域的决策制定中发挥着重要作用。然而,其估计问题十分困难,因为收集已施加处理(即行动)及其结果信息的干预研究往往在时间和经济成本上极为昂贵。在本研究中,我们考虑一种半监督ITE估计问题,即利用更易获取的未标记样本,结合少量标记数据来提升ITE估计的性能。我们结合因果推断与半监督学习中的两种思想,分别是匹配与标签传播,提出反事实传播——这是首个半监督ITE估计方法。基于半真实数据集的实验表明,所提方法能够成功缓解ITE估计中的数据稀缺问题。
引用
@article{arxiv.2005.05099,
title = {Counterfactual Propagation for Semi-Supervised Individual Treatment Effect Estimation},
author = {Shonosuke Harada and Hisashi Kashima},
journal= {arXiv preprint arXiv:2005.05099},
year = {2020}
}