基于两阶段受控神经网络训练的个体处理效应估计
机器学习
2022-01-24 v1
摘要
我们开发了一种分两阶段训练的因果深度神经网络（CDNN）模型，用于在个体单元层面推断因果影响估计。在第一阶段仅使用预处理特征且不存在任何处理信息的情况下，我们学习一种最能代表结果的协变量编码。在第二阶段，我们通过将处理指示变量与编码后的协变量一同引入，进一步预测第一阶段中未解释的结果。我们证明，即使不显式计算处理残差，我们的方法仍满足所期望的局部Neyman正交性，使其对干扰参数中的微小扰动具有鲁棒性。此外，通过建立与表示学习方法的联系，我们构建了一个可从中导出多种算法变体的框架。我们在公开可用数据集上进行了初步实验，以比较这些变体并为选择最佳CDNN方法变体提供指导。在三个基准数据集上将CDNN与最先进的方法进行评估对比，我们观察到CDNN极具竞争力，且常能给出最准确的个体处理效应估计。我们强调了CDNN在可扩展至多种用例方面的显著优势。
引用
@article{arxiv.2201.08559,
title = {Individual Treatment Effect Estimation Through Controlled Neural Network Training in Two Stages},
author = {Naveen Nair and Karthik S. Gurumoorthy and Dinesh Mandalapu},
journal= {arXiv preprint arXiv:2201.08559},
year = {2022}
}