RealCause：真实的因果推断基准测试
机器学习
2021-03-30 v2 人工智能
机器学习
摘要
因果推断中有许多不同的因果效应估计量。然而，由于因果效应没有真值，如何在它们之间选择并不清楚。一种常用的选择是模拟合成数据，其中真值是已知的。但是，在合成数据上最好的因果估计量不太可能在真实数据上也是最好的。因果估计量的理想基准应同时（a）给出因果效应的真值，以及（b）能代表真实数据。利用灵活的生成模型，我们提供了一个既给出真值又真实的基准。使用该基准，我们评估了超过 1500 种不同的因果估计量，并提供证据表明利用预测指标为因果估计量选择超参数是合理的。
引用
@article{arxiv.2011.15007,
title = {RealCause: Realistic Causal Inference Benchmarking},
author = {Brady Neal and Chin-Wei Huang and Sunand Raghupathi},
journal= {arXiv preprint arXiv:2011.15007},
year = {2021}
}