利用因果信息瓶颈可靠估计个体处理效应
机器学习
2019-06-10 v1 机器学习
摘要
从观测数据估计个体水平处理效应(ITE)是因果机器学习中一个具有挑战性且重要的领域,并常见于各种关键任务应用中。本文中,我们提出一种信息论方法,以寻找更可靠的表示用于估计ITE。我们利用信息瓶颈(IB)原理,该原理处理了表示的简洁性与预测能力之间的权衡。通过引入因果信息瓶颈的扩展图模型,我们鼓励所学表示与处理类型之间的独立性。我们还从半监督学习框架下理解ITE的角度引入了一种额外形式的正则化器,以确保更可靠的表示。实验结果表明,我们的模型取得了最先进的(state-of-the-art, SOTA)结果,并在真实世界数据集上凭借不确定性信息展现出更可靠的预测性能。
引用
@article{arxiv.1906.03118,
title = {Reliable Estimation of Individual Treatment Effect with Causal Information Bottleneck},
author = {Sungyub Kim and Yongsu Baek and Sung Ju Hwang and Eunho Yang},
journal= {arXiv preprint arXiv:1906.03118},
year = {2019}
}