通过互信息最小化学习解耦表示以进行反事实回归
机器学习
2022-06-03 v1 机器学习
摘要
学习个体层面处理效应是因果推断中的一个基本问题，并在许多领域受到越来越多的关注，尤其是在关乎众多互联网公司的用户增长领域。近来，将协变量分解为包括工具、混杂和调整因子在内的三个潜在因子的解耦表示学习方法在处理效应估计中取得了巨大成功。然而，如何精确学习底层解耦因子仍是一个开放问题。具体而言，先前的方法未能获得独立的解耦因子，而这是识别处理效应的必要条件。在本文中，我们提出通过互信息最小化学习用于反事实回归的解耦表示（MIM-DRCFR），其使用多任务学习框架在学习潜在因子时共享信息，并引入互信息（MI）最小化学习准则以确保这些因子的独立性。包括公共基准和真实工业用户增长数据集在内的广泛实验表明，我们的方法表现远优于最先进的方法。
引用
@article{arxiv.2206.01022,
title = {Learning Disentangled Representations for Counterfactual Regression via Mutual Information Minimization},
author = {Mingyuan Cheng and Xinru Liao and Quan Liu and Bin Ma and Jian Xu and Bo Zheng},
journal= {arXiv preprint arXiv:2206.01022},
year = {2022}
}