基于动态神经掩码的多类别、多价因果推断中的跨处理效应估计
机器学习
2025-11-04 v1 机器学习
摘要
当处理类别和取值复杂化时，反事实因果推断面临着显著挑战，因而难以建模异构干预之间的复杂交叉效应。现有方法局限于二元或单类型处理，且在复杂干预情境下受限于结构性假设、可扩展性差以及评估框架不足。我们提出了 XTNet，这是一种用于多类别、多价处理效应估计的新型网络架构。该方法引入具有动态掩码机制的交叉效应估计模块，以无结构性假设捕获处理之间的相互作用。该架构采用分解策略，将基本效应与跨处理相互作用分离，从而高效地建模组合处理空间。我们还提出了 MCMV-AUCC 指标，用于考虑处理成本和相互作用效应。大量实验在合成数据和真实数据集上表明，XTNet 在排序准确性和效应估计质量方面均 consistently 优于最先进的基线方法。真实世界的 A/B 测试结果进一步确认了其有效性。
引用
@article{arxiv.2511.01641,
title = {Cross-Treatment Effect Estimation for Multi-Category, Multi-Valued Causal Inference via Dynamic Neural Masking},
author = {Xiaopeng Ke and Yihan Yu and Ruyue Zhang and Zhishuo Zhou and Fangzhou Shi and Chang Men and Zhengdan Zhu},
journal= {arXiv preprint arXiv:2511.01641},
year = {2025}
}