多元因果模型中可扩展的反事实分布估计
机器学习
2023-11-03 v1 人工智能
机器学习
统计方法学
摘要
我们考虑在由经典双重差分设计扩展而来的多元因果模型中，估计多个关注量(如结果)的反事实联合分布问题。该任务的现有方法要么忽略多元结果各维度间的相关结构、分别对每一维度考虑单变量因果模型，从而得出错误的反事实分布；要么在直接处理此类多元因果模型时即便对中等规模数据集也扩展性极差。我们提出一种方法，通过利用原始高维空间中稳健的潜在一维子空间，并借助该子空间上单变量因果模型的高效估计，同时缓解上述两方面问题。由于一维子空间的构建使用了所有维度的信息，我们的方法能够捕捉相关结构并给出反事实分布的良好估计。我们在合成与真实数据上展示了本方法相较现有方法的优势。
引用
@article{arxiv.2311.00927,
title = {Scalable Counterfactual Distribution Estimation in Multivariate Causal Models},
author = {Thong Pham and Shohei Shimizu and Hideitsu Hino and Tam Le},
journal= {arXiv preprint arXiv:2311.00927},
year = {2023}
}