Intact-VAE：在非观测混杂下估计处理效应
机器学习
2022-04-22 v3 机器学习
统计方法学
摘要
注：本预印本存在有缺陷的理论表述。请避免使用并参考 ICLR22 发表物 https://openreview.net/forum?id=q7n2RngwOM。此外，arXiv:2109.15062 包含了关于非观测混杂的一些新思路。作为因果推断的一个重要问题，我们讨论了在非观测混杂下处理效应的识别与估计。将混杂因子表示为潜变量，我们提出了 Intact-VAE，一种变分自编码器（VAE）的新变体，其动机源于足以识别处理效应的预后评分。我们从理论上证明，在特定设定下，处理效应可由我们的模型识别，并且进一步，基于我们模型的可识别性（即表示的确定性），我们的 VAE 是一个表示在处理组间平衡的相合估计量。在（半）合成数据集上的实验显示了多样设定下的 SOTA 性能。
引用
@article{arxiv.2101.06662,
title = {Intact-VAE: Estimating Treatment Effects under Unobserved Confounding},
author = {Pengzhou Wu and Kenji Fukumizu},
journal= {arXiv preprint arXiv:2101.06662},
year = {2022}
}
备注
This preprint has a flawed theoretical formulation. It was intended as a theoretical update of https://openreview.net/forum?id=D3TNqCspFpM