利用因果知识选择域适应下的处理效应模型
机器学习
2021-02-15 v1
摘要
从观测数据估计个体化处理效应（ITE）时，由于反事实结果永远无法观测，因果推断模型的选择面临独特挑战。在无监督域适应（UDA）设定下问题更为困难：我们仅在源域有标注样本，却希望选出一个在仅有未标注样本的目标域上表现良好的模型。现有的 UDA 模型选择技术是为预测设定设计的，这些方法考察源域与目标域中输入协变量的判别密度比，而不考虑模型在目标域的预测。因此，两个在源域表现相同的模型会被现有方法给出相同风险分数，但实际上在测试域表现差异显著。我们利用因果结构跨域不变性，提出一种专为 UDA 设定下 ITE 方法设计的新型模型选择度量。具体而言，我们建议选择那些其干预效应预测满足目标域已知因果结构的模型。实验上，我们的方法在多个医疗数据集上选出的 ITE 模型对协变量偏移更鲁棒，包括估计不同地区 COVID-19 患者的通气效应。
引用
@article{arxiv.2102.06271,
title = {Selecting Treatment Effects Models for Domain Adaptation Using Causal Knowledge},
author = {Trent Kyono and Ioana Bica and Zhaozhi Qian and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2102.06271},
year = {2021}
}