面向个体化处理效应估计的治疗组间动态信息共享

从观测研究中估计个体化处理效应（ITE）是因果推断中的基本问题，并在包括医疗健康在内的多个领域具有重要意义。然而，有限的观测数据集给可靠的 ITE 估计带来挑战，因为数据必须在治疗组之间划分以训练 ITE 学习器。尽管治疗组之间的信息共享可部分缓解该问题，目前仍缺乏用于 ITE 估计中端到端信息共享的通用框架。为解决此问题，我们提出一种基于“软权重共享”的深度学习框架来训练 ITE 学习器，实现治疗组间动态端到端的信息共享。所提框架补充了现有 ITE 学习器，并引入了一类称为 HyperITE 的新 ITE 学习器。我们以 HyperITE 版本扩展了最先进的 ITE 学习器，并在 IHDP、ACIC-2016 和 Twins 基准上评估它们。实验结果表明，所提框架降低了 ITE 估计误差，且对更小数据集效果愈发显著。