不确定性下的反事实干预估计
机器学习
2023-09-18 v1 统计方法学
摘要
反事实分析由人类在日常基础上直观地执行，例如“我本应做何不同以获贷款批准？”。此类反事实问题也引导了科学假设的 formulation。更正式地，它通过推断对系统行为过去观测的假设性干预效应，提供关于系统潜在改进的洞见，这在多种工业应用中扮演重要角色。由于此类分析的假设性本质，反事实分布固有地具有模糊性。这种模糊性在连续设定中尤为棘手，其中对同一观测存在连续统的解释。在本文中，我们遵循显式建模此种不确定性的层次贝叶斯方法来解决该问题。特别地，我们推导了贝叶斯 Warped Gaussian Process 的反事实分布，从而允许非高斯分布与非加性噪声。我们在一个合成例子与一个半合成例子上阐释了我们方法的属性，并展示了其在算法补救下游任务中使用时的性能。
引用
@article{arxiv.2309.08332,
title = {Estimation of Counterfactual Interventions under Uncertainties},
author = {Juliane Weilbach and Sebastian Gerwinn and Melih Kandemir and Martin Fraenzle},
journal= {arXiv preprint arXiv:2309.08332},
year = {2023}
}