可辨识的基于能量的表示：在估计异质因果效应中的应用
机器学习
2022-02-01 v3 机器学习
摘要
条件平均处理效应（CATE）使我们能够理解在大量个体群体中的效应异质性。然而，典型的 CATE 学习器假设所有混杂变量均被观测到，以使 CATE 可辨识。这一要求可通过收集众多变量来满足，但代价是估计 CATE 的样本复杂度增加。为此，我们提出一种基于能量的模型（EBM），通过采用噪声对比损失函数学习变量的低维表示。借助我们的 EBM，我们引入一个预处理步骤，缓解任何现有 CATE 估计学习器所面临的维度灾难。我们证明我们的 EBM 使表示在某一通用常数范围内保持部分可辨识，并具备通用逼近能力。这些性质使表示能够收敛并保持 CATE 估计的一致性。实验展示了表示的收敛性，并表明在我们的表示上估计 CATE 优于在原始变量或其他降维方法获得的表示上进行估计。
引用
@article{arxiv.2108.03039,
title = {Identifiable Energy-based Representations: An Application to Estimating Heterogeneous Causal Effects},
author = {Yao Zhang and Jeroen Berrevoets and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2108.03039},
year = {2022}
}
备注
20 pages, 2 figures, 9 tables