通过自训练增强反事实分类
机器学习
2021-12-09 v1 机器学习
摘要
与传统的监督学习不同，在许多设置中只能获得部分反馈。我们可能只观察到所选动作的结果，而无法观察到与其他替代方案相关的反事实结果。此类设置涵盖了包括定价、在线营销和精准医疗在内的广泛应用。一个关键挑战是观测数据受到系统中部署的历史策略的影响，从而产生有偏的数据分布。我们将此任务视为领域自适应问题，并提出了一种自训练算法，该算法为观测数据中有限的未见动作填补具有分类值的结果，通过伪标签模拟随机试验，我们称之为反事实自训练 (CST)。CST 迭代地填补伪标签并重新训练模型。此外，我们展示了输入一致性损失可以进一步提高 CST 的性能，这一点在近期关于伪标签的理论分析中得到了证明。我们在合成数据集和真实数据集上证明了所提算法的有效性。
引用
@article{arxiv.2112.04461,
title = {Enhancing Counterfactual Classification via Self-Training},
author = {Ruijiang Gao and Max Biggs and Wei Sun and Ligong Han},
journal= {arXiv preprint arXiv:2112.04461},
year = {2021}
}
备注
AAAI 2022