将主动学习集成到存在干扰的因果推断中：在线实验中的一种新方法
统计方法学
2024-02-21 v1 机器学习
机器学习
摘要
在因果推断研究领域，盛行的潜在结果框架，特别是 Rubin 因果模型（RCM），通常忽视个体间的干扰并假设处理效应是独立的。然而，这一假设往往与复杂的现实情况不符，在现实中干扰不仅是一种可能性，更是一种常见现象。我们的研究致力于解决这一差异，重点关注在以下两个假设下对直接处理效应和溢出处理效应的估计：(1) 基于网络的干扰，即相连网络中邻居的处理会影响个体的结果；(2) 受混杂因素影响的非随机处理分配。为了提高估计潜在复杂效应函数的效率，我们引入了一种新颖的主动学习方法：存在干扰的因果推断主动学习（ACI）。该方法使用高斯过程，将直接处理效应和溢出处理效应作为邻居处理分配的连续度量的函数进行灵活建模。ACI 框架按顺序识别需要更多数据的实验设置。它进一步利用遗传算法在网络干扰结构下优化处理分配，以实现高效的学习结果。通过将我们的方法应用于模拟数据和腾讯游戏数据集，我们证明了其在减少数据需求的同时实现准确效应估计的可行性。这种 ACI 方法标志着因果推断在数据效率领域的重大进步，为传统方法提供了一种稳健且高效的替代方案，特别是在具有复杂干扰模式的场景中。
引用
@article{arxiv.2402.12710,
title = {Integrating Active Learning in Causal Inference with Interference: A Novel Approach in Online Experiments},
author = {Hongtao Zhu and Sizhe Zhang and Yang Su and Zhenyu Zhao and Nan Chen},
journal= {arXiv preprint arXiv:2402.12710},
year = {2024}
}
备注
conference paper