用于反事实推断的循环平衡表示学习
机器学习
2021-11-01 v1 人工智能
摘要
随着观测数据的广泛积累，研究者获得了在许多领域（如医疗健康与计算广告）中学习反事实效应而无需随机对照试验（RCTs）的新方向。然而，观测数据存在固有的反事实结果缺失，以及由于行为偏好导致的处理组与对照组之间的分布差异。受表示学习在域适应领域近期进展的启发，我们提出了一种基于循环平衡表示学习的反事实推断新框架（CBRE）以解决上述问题。具体而言，我们利用对抗训练为不同组实现鲁棒的平衡表示，同时构建信息环路，从而循环地保留原始数据属性，减少了将数据变换到潜在表示空间时的信息损失。在三个真实世界数据集上的实验结果表明，CBRE 匹配或优于当前最优方法，并且在反事实推断中具有很大的应用潜力。
引用
@article{arxiv.2110.15484,
title = {Cycle-Balanced Representation Learning For Counterfactual Inference},
author = {Guanglin Zhou and Lina Yao and Xiwei Xu and Chen Wang and Liming Zhu},
journal= {arXiv preprint arXiv:2110.15484},
year = {2021}
}