基于ODE发现的纵向异质处理效应推断

推断无偏处理效应在机器学习社区得到广泛关注。近年来，我们的社区提出了诸多解决方案用于标准设置、高维处理设置甚至纵向设置。虽然方法各不相同，但主要依赖神经网络进行推断和同步纠正分配偏差。新方法通常是在先前方法之上提出新的（或优化）架构和学习算法。然而，最终结果——一个神经网络基于推断机器——仍未受到挑战。本文我们提出了一种不同的解决方案用于纵向设置：一个闭形式常微分方程（ODE）。尽管我们仍依赖连续优化来学习 ODE，但结果推断机器不再是神经网络。这样做带来了若干优势，如可解释性、不规则抽样以及一套不同的识别假设。最重要的是，我们认为引入一种完全不同类型的解决方案是我们最重要的贡献，因为它可能在一般情况下激发全新的处理效应创新。我们通过将贡献表述为可以将任何 ODE 发现方法转换为处理效应方法的框架来促进这一点。