SurvITE：从事件发生时间数据学习异质性处理效应
机器学习
2022-01-25 v2 机器学习
摘要
我们研究了从事件发生时间数据推断异质性处理效应的问题。尽管（i）估计二元或连续结果的处治效应与（ii）预测生存结果这两个相关问题在近期机器学习文献中已被充分研究，但二者的结合——尽管具有高度实际相关性——所受关注却明显较少。以可靠估计处理对瞬时风险与生存概率的效应为最终目标，我们聚焦于学习（离散时间）特定处理的条件风险函数这一问题。我们发现，由于超出单纯结合已充分研究的混杂与删失偏差的多种协变量偏移问题，该情境下产生了独特挑战。我们通过将领域自适应与处理效应估计中近期的泛化界适配到我们的设定来理论分析其影响，并讨论对模型设计的启示。我们利用所得洞见提出了一种基于平衡表示的特定处理风险估计深度学习新方法。我们在系列实验设定中考察了性能，并凭经验证实我们的方法通过应对多来源协变量偏移而优于基线方法。
引用
@article{arxiv.2110.14001,
title = {SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data},
author = {Alicia Curth and Changhee Lee and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2110.14001},
year = {2022}
}
备注
Proceedings of the 35th Conference on Neural Information Processing Systems (NeurIPS 2021)