用于调节效应可解释深度因果学习
机器学习
2022-07-13 v3 人工智能
机器学习
摘要
在这篇扩展摘要中，我们解决因果机器学习模型中的可解释性与针对性正则化问题。具体而言，我们关注在观测混杂因素下估计个体因果/处理效应的问题，这些混杂因素可被控制并调节处理对感兴趣结果的影响。针对因果设定调整的黑盒机器学习模型通常在此任务中表现良好，但它们缺乏可解释的输出以识别处理异质性的主要驱动因素及其函数关系。我们提出一种用于估计个体处理效应的新型深度反事实学习架构，该架构可同时：i) 对感兴趣的量（即条件平均处理效应）进行针对性正则化并量化其不确定性；ii) 解耦协变量的基线预后效应与调节效应，并输出描述其与结果关系的可解释得分函数。最后，我们通过一个简单的模拟实验演示了该方法的用途。
引用
@article{arxiv.2206.10261,
title = {Interpretable Deep Causal Learning for Moderation Effects},
author = {Alberto Caron and Gianluca Baio and Ioanna Manolopoulou},
journal= {arXiv preprint arXiv:2206.10261},
year = {2022}
}