基于对抗学习的潜混杂因子模型中个体处理效应估计
机器学习
2018-11-28 v1 机器学习
摘要
从观测数据估计个体处理效应（ITE）在医学中至关重要。估计 ITE 的一个核心挑战是处理混杂因子，即同时影响干预及其结果的因素。大多数先前工作依赖于无混杂假设，该假设认为所有混杂因子均在观测数据中被测量。然而，若存在不可测量的（潜在的）混杂因子，则会引入混杂偏差。幸运的是，潜混杂因子的含噪代理变量通常可得，并可用于对 ITE 做出无偏估计。本文中，我们开发了一种新颖的对抗学习框架，利用含噪代理变量对 ITE 进行无偏估计。
引用
@article{arxiv.1811.08943,
title = {Estimation of Individual Treatment Effect in Latent Confounder Models via Adversarial Learning},
author = {Changhee Lee and Nicholas Mastronarde and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:1811.08943},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216