用于高维异质处理效应估计的可微 Pareto 平滑加权方法
机器学习
2024-06-04 v5 机器学习
统计方法学
摘要
人们越来越关注利用个体的高维特征属性来估计其异质处理效应。在这种高维异质处理效应估计中实现高性能极具挑战性，因为在该设定下，通常某些特征会引发样本选择偏差，而另一些特征则不会但能预测潜在结果。为避免丢失此类具有预测性的特征信息，现有方法使用逆概率加权（IPW）来学习独立的特征表示。然而，由于其数值不稳定的 IPW 权重，这些方法在有限样本设定下存在估计偏差。为了通过加权表示学习开发一种数值上稳健的估计量，我们提出了一种可微 Pareto 平滑加权框架，以端到端的方式替换极端权重值。实验结果表明，通过有效校正权重值，我们提出的方法优于包括传统加权方案在内的现有方法。我们的代码可在 https://github.com/ychika/DPSW 获取。
关键词
引用
@article{arxiv.2404.17483,
title = {Differentiable Pareto-Smoothed Weighting for High-Dimensional Heterogeneous Treatment Effect Estimation},
author = {Yoichi Chikahara and Kansei Ushiyama},
journal= {arXiv preprint arXiv:2404.17483},
year = {2024}
}
备注
Accepted to the 40th Conference on Uncertainty in Artificial Intelligence (UAI2024). 14 pages, 4 figures