联邦学习用于估计异质性处理效应
机器学习
2024-06-25 v2
摘要
用于估计异质性处理效应（HTE）的机器学习方法促进了跨医疗、政策制定、教育等多个领域的大规模个性化决策。当前用于HTE的机器学习方法需要每个处理有大量数据，而干预的高成本使得集中收集每个干预的如此多数据成为一项艰巨挑战。为了克服这一障碍，在这项工作中，我们提出了一种新颖的框架，通过联邦学习跨机构协作学习HTE估计器。我们表明，即使在客户端的干预措施和受试人群存在多样性的情况下，也可以联合学习一个共同的特征表示，同时私下学习不同干预措施下结果的具体预测函数。我们的框架和相关算法基于这一见解，并利用表格变换器将多个输入数据映射到特征表示，然后通过多任务学习用于结果预测。我们还提出了一种新颖的联邦训练个性化变换器的方法，该方法可以处理异构输入特征空间。在真实世界临床试验数据上的实验结果证明了我们方法的有效性。
引用
@article{arxiv.2402.17705,
title = {Federated Learning for Estimating Heterogeneous Treatment Effects},
author = {Disha Makhija and Joydeep Ghosh and Yejin Kim},
journal= {arXiv preprint arXiv:2402.17705},
year = {2024}
}