MultiMBNN：基于神经网络的匹配与平衡因果推断
统计方法学
2021-08-17 v4 机器学习
多智能体系统
摘要
观察性研究中的因果推断（CI）在医疗、教育、广告归因、政策评估等领域受到广泛关注。混杂是一个典型隐患，即背景同时影响处理分配与响应。在多处理情形下，我们提出基于神经网络的 MultiMBNN，通过采用广义倾向得分匹配和学习平衡表示来克服混杂。我们使用 PEHE 以及 ATE 上的平均绝对百分比误差作为指标，在合成与真实世界数据集上对所提方法的性能进行基准测试。MultiMBNN 优于 TARNet 和 Perfect Match（PM）等最先进的 CI 算法。
引用
@article{arxiv.2004.13446,
title = {MultiMBNN: Matched and Balanced Causal Inference with Neural Networks},
author = {Ankit Sharma and Garima Gupta and Ranjitha Prasad and Arnab Chatterjee and Lovekesh Vig and Gautam Shroff},
journal= {arXiv preprint arXiv:2004.13446},
year = {2021}
}
备注
7 pages, 3 figures, Accepted in ESANN 2020