Perfect Match：一种用神经网络学习反事实推断表示的简单方法
机器学习
2019-05-28 v5 机器学习
摘要
从观测数据学习用于反事实推断的表示在医疗、公共政策与经济学等诸多领域具有高度实际意义。反事实推断使人能回答“如果……会怎样？”的问题，例如“若给予该患者治疗 ，结果会如何？”。然而，当前训练神经网络以从观测数据作反事实推断的方法要么过于复杂，要么局限于仅有两个可用治疗的设定，或两者兼而有之。在此，我们提出 Perfect Match（PM），一种训练神经网络用于反事实推断的方法，其易于实现、兼容任意架构、不增加计算复杂度或超参数，并可扩展至任意数量的治疗。PM 基于这样的思想：用倾向得分匹配的最近邻扩充小批量中的样本。我们的实验表明，在多个基准上推断反事实结果时，PM 优于若干更复杂的最先进方法，尤其在多治疗设定下。
引用
@article{arxiv.1810.00656,
title = {Perfect Match: A Simple Method for Learning Representations For Counterfactual Inference With Neural Networks},
author = {Patrick Schwab and Lorenz Linhardt and Walter Karlen},
journal= {arXiv preprint arXiv:1810.00656},
year = {2019}
}