用于治疗效果估计的最优传输
机器学习
2025-05-07 v1 应用统计
机器学习
摘要
由于存在治疗选择偏倚，从观测数据估计条件平均治疗效果极具挑战性。主流方法通过在潜空间中对齐不同治疗组的分布来缓解此问题。然而，这些方法未能解决两个关键问题：(1) 小批量采样效应 (MSE)，其在具有结果不平衡与离群点的非理想小批量中导致错位；(2) 未观测混杂效应 (UCE)，其因忽略未观测混杂变量而导致差异计算不准确。为应对这些问题，我们提出一种名为全空间反事实回归 (ESCFR) 的原则性方法，该方法是在因果背景下对最优传输的新诠释。具体而言，基于随机最优传输框架，我们提出一种松弛保质量正则化项以解决 MSE 问题，并设计一种近邻事实结果正则化项以处理 UCE 问题。大量实验表明，我们提出的 ESCFR 能够成功应对治疗选择偏倚，并取得显著优于最先进方法的性能。
引用
@article{arxiv.2310.18286,
title = {Optimal Transport for Treatment Effect Estimation},
author = {Hao Wang and Zhichao Chen and Jiajun Fan and Haoxuan Li and Tianqiao Liu and Weiming Liu and Quanyu Dai and Yichao Wang and Zhenhua Dong and Ruiming Tang},
journal= {arXiv preprint arXiv:2310.18286},
year = {2025}
}
备注
Accepted as NeurIPS 2023 Poster