基于深度学习集成TMLE的一般干扰下时间依赖处理效应估计
人工智能
2024-12-09 v1
摘要
了解带有潜在社交网络的人群中疫情期间政策效应至关重要，但大多数因果推断方法在此情境下难以胜任，因其假设个体之间独立。我们提出DeepNetTMLE，一种基于深度学习增强的靶向最大似然估计（TMLE）方法，旨在估计观察数据中时间依赖的处理效应。DeepNetTMLE通过纳入时间模块和领域对抗训练来构建干预不变的表示，从而缓解一般干扰下时间可变混杂因素引起的偏差。这一过程消除了当前处理与历史变量之间的关联，而靶向步骤维持了偏差-方差之间的权衡，从而提高了无因果预测的可靠性。通过对各种隔离覆盖率的“易感-感染-康复”（SIR）模型进行仿真，我们展示DeepNetTMLE在无因果估计中实现更低的偏差和更精确的置信区间，使其在预算约束下实现最优隔离建议，超越当前最先进的方法。
引用
@article{arxiv.2412.04799,
title = {Estimating the treatment effect over time under general interference through deep learner integrated TMLE},
author = {Suhan Guo and Furao Shen and Ni Li},
journal= {arXiv preprint arXiv:2412.04799},
year = {2024}
}