MetaCI：面向异质群体中因果推断的元学习
机器学习
2021-02-18 v6 多智能体系统
机器学习
摘要
由于医疗保健、教育、零售等领域数据的广泛可得性，对通过观察性研究获得的数据进行推断正变得极其重要。此外，这些数据是从异质群体的多个同质子群中累积的，因此在此类数据上推广推断机制至关重要。我们提出了 MetaCI 框架，旨在因果推断（CI）背景下回答反事实问题，其中事实观测来自若干同质子群。虽然 CI 网络被设计用于从事实分布泛化到反事实分布以应对协变量偏移，MetaCI 采用元学习范式来应对由于群体异质性以及目标分布漂移（也称为概念偏移）导致的训练与测试阶段间数据分布偏移。我们使用平均处理效应的平均绝对百分比误差作为指标对 MetaCI 算法的性能进行基准测试，并证明元初始化相比随机初始化网络及其他方法具有显著增益。
引用
@article{arxiv.1912.03960,
title = {MetaCI: Meta-Learning for Causal Inference in a Heterogeneous Population},
author = {Ankit Sharma and Garima Gupta and Ranjitha Prasad and Arnab Chatterjee and Lovekesh Vig and Gautam Shroff},
journal= {arXiv preprint arXiv:1912.03960},
year = {2021}
}
备注
10 pages, 4 figures, Accepted in CausalML Workshop - NeurIPS 2019