NCoRE：面向组合治疗的神经反事实表示学习
机器学习
2021-03-23 v1 统计方法学
机器学习
摘要
从观测数据估计个体对干预的潜在响应在医疗、公共政策或经济学等许多领域具有高度实际意义。在此设定下，常常可能同时施加组合干预，例如医疗中的多种处方或经济学中的不同财政与货币政策。然而，现有的反事实推断方法局限于不同时使用动作的设置。本文提出神经反事实关系估计（NCoRE），一种在组合治疗设定下学习反事实表示的新方法，其显式建模治疗间交互。NCoRE 基于一种新颖的分支条件神经表示，包含习得的治疗交互调制器，以推断多种治疗组合背后的潜在因果生成过程。我们的实验表明，在多个合成、半合成和真实基准上，NCoRE 显著优于现有不考虑多种治疗组合效应的 SOTA 反事实治疗效果估计方法。
引用
@article{arxiv.2103.11175,
title = {NCoRE: Neural Counterfactual Representation Learning for Combinations of Treatments},
author = {Sonali Parbhoo and Stefan Bauer and Patrick Schwab},
journal= {arXiv preprint arXiv:2103.11175},
year = {2021}
}