利用正交性信息的适度平衡表示学习用于处理效应估计
机器学习
2022-09-07 v1 人工智能
统计方法学
摘要
由于选择偏差，从观测数据估计平均处理效应（ATE）具有挑战性。现有工作主要以两种方式应对该挑战。一些研究者提出构造满足正交条件的得分函数，以保证所建立的 ATE 估计量是“正交”的从而更鲁棒。另一些则探索表示学习模型以实现处理组与对照组之间的平衡表示。然而，现有研究未能 1）在表示空间中区分处理单元与对照单元以避免过度平衡问题；2）充分利用“正交性信息”。在本文中，我们基于近期的协变量平衡表示学习方法和正交机器学习理论，提出了一种适度平衡表示学习（MBRL）框架。该框架通过多任务学习保护表示不被过度平衡。同时，MBRL 在训练和验证阶段纳入噪声正交性信息，以实现更好的 ATE 估计。在基准和模拟数据集上的综合实验表明，与现有 SOTA 方法相比，我们的方法在处理效应估计上具有优越性和鲁棒性。
引用
@article{arxiv.2209.01956,
title = {Moderately-Balanced Representation Learning for Treatment Effects with Orthogonality Information},
author = {Yiyan Huang and Cheuk Hang Leung and Shumin Ma and Qi Wu and Dongdong Wang and Zhixiang Huang},
journal= {arXiv preprint arXiv:2209.01956},
year = {2022}
}
备注
This paper was accepted and will be published at the 19th Pacific Rim International Conference on Artificial Intelligence (PRICAI2022)