深度学习用于因果推断：异质处理效应估计的架构比较
机器学习
2024-05-07 v1 机器学习
摘要
因果推断近年来获得了广泛关注，关注范围从学术界、工业界到教育界等。同时，神经网络的研究与应用也迅速发展。本文旨在演示一种神经网络因果推断架构。我们实现了一个全连接神经网络版本的流行贝叶斯因果森林(Bayesian Causal Forest)算法，这是一种用于估计异质处理效应的领先树基方法。我们将我们的实现与现有的神经网络因果推断方法进行比较，显示在仿真设置下的性能提升。我们将该方法应用于一个研究压力对睡眠影响的数据集。
引用
@article{arxiv.2405.03130,
title = {Deep Learning for Causal Inference: A Comparison of Architectures for Heterogeneous Treatment Effect Estimation},
author = {Demetrios Papakostas and Andrew Herren and P. Richard Hahn and Francisco Castillo},
journal= {arXiv preprint arXiv:2405.03130},
year = {2024}
}