用于剂量-反应学习的观测-干预先验
机器学习
2016-05-06 v1
摘要
受控干预为学习因果效应提供了最直接的信息来源。具体而言，可通过改变处理水平并观测相应结果来学习剂量-反应曲线。然而，干预可能昂贵且耗时。有时可获得观测数据，其中处理不受已知机制控制。在一些强假设下，观测数据允许对剂量-反应曲线进行估计。非参数地估计此类曲线是困难的：受控干预的样本量可能很小，而在观测情形下可能需要对大量已测量的混杂因素进行边际化。本文引入一种层次高斯过程先验，它通过从观测数据学习来构建剂量-反应曲线上的分布，并利用从受控干预学习的非参数仿射变换对该分布进行重塑。这种来自不同源的函数组合被证明能加速学习，我们通过彻底的敏感性分析以及将其应用于建模疗法对早产婴儿认知技能的影响来予以展示。
引用
@article{arxiv.1605.01573,
title = {Observational-Interventional Priors for Dose-Response Learning},
author = {Ricardo Silva},
journal= {arXiv preprint arXiv:1605.01573},
year = {2016}
}