通过潜在调整发现基于调查的社区干预稀疏反事实因子
机器学习
2026-05-11 v2
摘要
交通调查被广泛用于了解出行偏好和采用障碍，然而大多数基于调查的分析仍然停留在描述性或预测性层面，很少提供稀疏且政策可行的干预策略。我们研究基于调查响应的稀疏反事实社区干预，其目标是通过可控调查变量调整，将目标受访者群体转变为期望的参照群体。我们使用固定基非负潜在表示将此任务形式化为一个政策可行的分布对齐问题，该表示保持了干预前后的可比性，并提供了从潜在因子到原始变量的稳定映射。为使潜在变动具有可操作性，通过 Shapley 引导的归因识别与目标相关的潜在因子，并将其作为干预优先级转移到可控变量上。随后，通过最小化干预后目标分布与参照分布之间的熵正则化最优传输差异，连同促进共享政策杠杆稀疏性的加权 惩罚，学习可行的群体级调整。在真实交通调查数据集上的实验表明，所提出的框架能够产生具有明确调整幅度、紧凑且可解释的政策可行干预，提高群体级转化率，并保持干预稀疏性。代码和数据集公开于：https://github.com/pangjunbiao/latent-group-alignment.git
引用
@article{arxiv.2605.04460,
title = {Discovering Sparse Counterfactual Factors via Latent Adjustment for Survey-based Community Intervention},
author = {Fatima Ashraf and Muhammad Ayub Sabir and Junbiao Pang and Yufang Zhou and Yan Shang},
journal= {arXiv preprint arXiv:2605.04460},
year = {2026}
}