Hi-CI：高维深度因果推断
统计方法学
2021-04-12 v3 人工智能
机器学习
摘要
我们解决观测性研究中由高维协变量和高基数处理变量构成的因果推断（CI）反事实回归问题。导致处理效应估计不准确的混杂偏差，归因于同时影响处理与结果的协变量。高维协变量的存在加剧了偏差的影响，因为更难隔离并度量这些混杂因素的影响。在高基数处理变量存在时，由于待预测反事实结果数量的增加，CI 变为不适定问题。我们提出 Hi-CI，一种基于深度神经网络（DNN）的框架，用于在大量协变量及高基数与连续处理变量存在下估计因果效应。所提架构包含一个解相关网络与一个结果预测网络。在解相关网络中，我们学习相较于原始协变量更低维的数据表示，并同时处理混杂偏差。随后，在结果预测网络中，我们联合数据表示学习高基数与连续处理的嵌入。我们使用合成与真实世界 NEWS 数据集展示了所提 Hi-CI 网络的因果效应预测效能。
引用
@article{arxiv.2008.09858,
title = {Hi-CI: Deep Causal Inference in High Dimensions},
author = {Ankit Sharma and Garima Gupta and Ranjitha Prasad and Arnab Chatterjee and Lovekesh Vig and Gautam Shroff},
journal= {arXiv preprint arXiv:2008.09858},
year = {2021}
}
备注
23 pages, 5 figures, Accepted in Causal Discovery Workshop - KDD 2020