工具变量回归中的深度特征学习
机器学习
2023-06-28 v4 机器学习
摘要
工具变量(IV)回归是一种标准策略，通过利用仅经由处理变量影响结果的工具变量，从观测数据中学习混淆的处理变量与结果变量之间的因果关系。在经典 IV 回归中，学习分两个阶段进行：阶段 1 从工具变量到处理变量执行线性回归；阶段 2 在给定工具变量的条件下从处理变量到结果变量执行线性回归。我们提出一种新方法——深度特征工具变量回归(DFIV)，以处理工具变量、处理变量与结果变量之间可能为非线性的情形。在此情形下，训练深度神经网络以在工具变量和处理变量上定义信息丰富的非线性特征。我们提出这些特征的交替训练机制，以确保在第 1 和第 2 阶段组合时具有良好的端到端性能，从而以计算高效的方式获得高度灵活的特征映射。DFIV 在具有挑战性的 IV 基准上优于近期最先进的方法，包括涉及高维图像数据的设置。DFIV 在强化学习的离屏策略评估中也表现出有竞争力的性能，这可理解为一项 IV 回归任务。
引用
@article{arxiv.2010.07154,
title = {Learning Deep Features in Instrumental Variable Regression},
author = {Liyuan Xu and Yutian Chen and Siddarth Srinivasan and Nando de Freitas and Arnaud Doucet and Arthur Gretton},
journal= {arXiv preprint arXiv:2010.07154},
year = {2023}
}