论异质处理效应估计中的归纳偏置

我们研究如何利用个体在不同处理下的潜在结果（POs）的结构相似性，以在有限样本中获得更好的条件平均处理效应估计。特别是当未知处理是否有效果时，自然地假设潜在结果相似——然而，一些现有的处理效应估计策略采用的正则化方案会隐式地鼓励异质性，即使其不存在，且未能充分利用共享结构。在本文中，我们研究并比较了三种端到端学习策略来克服此问题——基于正则化、重参数化以及灵活的多任务架构——每种都编码了倾向于跨潜在结果共享行为的归纳偏置。为理解它们相对优势，我们使用神经网络实现所有策略并进行了广泛的半合成实验。我们观察到三种方法都能相较众多基线取得实质改进，并深入了解了不同实验设置下的性能差异。