MALTS：学习拉伸后进行匹配

我们引入一个灵活的框架，用于为因果推断生成高质量的近乎精确匹配。先前大多数匹配工作使用临时的距离度量，常导致匹配质量较差，尤其在存在无关协变量时。在本工作中，我们学习一种可解释的匹配距离度量，从而显著提升匹配质量。所学距离度量根据每个协变量对结果预测的贡献来拉伸协变量空间：这种拉伸意味着，重要协变量上的不匹配比较无关协变量上的不匹配承受更大惩罚。我们学习灵活距离度量的能力带来了可解释且有助于条件平均处理效应估计的匹配。