带因果图约束的神经网络：治疗效应估计的新方法
机器学习
2024-04-19 v1 统计方法学
摘要
近年来，人们越来越关注利用机器学习技术来估计治疗效应。大多数表现最好的方法都依赖于表示学习策略，这些策略鼓励潜在结果之间的共享行为，以提高治疗效应估计的精度。本文我们讨论并对这些模型在算法归纳偏置方面进行分类，并提出了一种新模型NN-CGC，该模型考虑了来自因果图的额外信息。NN-CGC通过在模型上实施新颖的约束来处理由虚假变量相互作用导致的偏见，并且可以与其他表示学习方法集成。我们使用三个不同的基模型在常见基准测试上测试了该方法的有效性。我们的结果表明，模型约束带来了显著的改进，实现了治疗效应估计的新型态最佳结果。我们还显示了该方法对不完美的因果图具有鲁棒性，而且使用部分因果信息优于忽略它。
引用
@article{arxiv.2404.12238,
title = {Neural Networks with Causal Graph Constraints: A New Approach for Treatment Effects Estimation},
author = {Roger Pros and Jordi Vitrià},
journal= {arXiv preprint arXiv:2404.12238},
year = {2024}
}