KANITE:用于个体处理效应估计的 Kolmogorov-Arnold 网络
机器学习
2025-06-19 v2 人工智能
统计方法学
摘要
我们提出 KANITE,一个利用 Kolmogorov-Arnold 网络(KANs)在因果推断中多处理设定下进行个体处理效应(ITE)估计的框架。通过利用 KAN 学习一元激活函数的独特能力(而非多层感知机(MLPs)所采用的线性权重学习方式),我们提升了对 ITE 的估计精度。KANITE 框架包含两个关键架构:1. 积分概率度量(IPM)架构:以专门方式使用 IPM 损失,有效对齐多处理设定下的 ITE 估计;2. 熵平衡(EB)架构:通过在协变量跨处理组平衡的约束下优化熵,为样本学习权重。在基准数据集上的广泛评估表明,KANITE 在 与 指标上均优于当前最先进的算法。我们的实验凸显了 KANITE 在获得更优因果估计方面的优势,强调了 KAN 在推动跨多个应用领域的因果推断方法发展方面的潜力。
引用
@article{arxiv.2503.13912,
title = {KANITE: Kolmogorov-Arnold Networks for ITE estimation},
author = {Eshan Mehendale and Abhinav Thorat and Ravi Kolla and Niranjan Pedanekar},
journal= {arXiv preprint arXiv:2503.13912},
year = {2025}
}
备注
16 pages, 4 figures