减少反事实推理中个体处理效应估计的选择偏差
机器学习
2019-12-20 v1 机器学习
摘要
反事实推理是一种适用于许多领域（如医疗、经济学和教育）的重要范式。在这项工作中，我们提出了一种新方法来解决选择偏差问题。我们学习两组潜在随机变量，其中一组对应于仅引起选择偏差的变量，另一组与结果预测相关。它们由一个自动编码器学习，其中基于皮尔逊相关系数（PCC）的额外正则化损失鼓励两组随机变量之间的去相关。这使得通过仅保留与估计个体处理效应相关的潜在变量来显式缓解选择偏差成为可能。在合成玩具数据集和基准数据集上的实验结果表明，我们的算法能够达到最先进的性能，并改善其未显式建模选择偏差的对应方法的結果。
引用
@article{arxiv.1912.09040,
title = {Reducing Selection Bias in Counterfactual Reasoning for Individual Treatment Effects Estimation},
author = {Zichen Zhang and Qingfeng Lan and Lei Ding and Yue Wang and Negar Hassanpour and Russell Greiner},
journal= {arXiv preprint arXiv:1912.09040},
year = {2019}
}
备注
NeurIPS 2019 Workshop on "Do the right thing": machine learning and causal inference for improved decision making