面向稳健因果推断的面向靶向深度架构：基于TMLE的框架
机器学习
2025-07-17 v1
摘要
现代深度神经网络是强大的预测工具，但常缺乏对因果参数（如处理效应或完整存活曲线）的有效推断。虽然像双机器学习（DML）和靶向最大似然估计（TMLE）这类框架可消除机器学习拟合的偏差，但现有神经网络实现要么依赖不保证解有效影响函数方程的"靶向损失"，要么计算昂贵的事后"波动"（尤其是多参数情景）。我们提出了靶向深度架构（Targeted Deep Architectures, TDA），将TMLE直接嵌入网络参数空间， backbone 架构无限制。具体而言，TDA将模型参数划分为冻结除小型"靶向"子集外的所有参数，并沿从影响函数投影到损失相对于权重梯度的张量中抽取的靶向梯度进行迭代更新。这一程序产生的插值估计消除一阶偏差并产生渐近有效的置信区间。关键的是，TDA easily extends to multi-dimensional causal estimands（如完整存活曲线），通过将独立的靶向梯度合并为单一的通用靶向更新。从理论上讲，TDA继承了经典TMLE的性质，包括双鲁棒性和半参数效率。实证上，在IHDP数据集（平均处理效应）和带有信息性删失的仿真存活数据上，TDA相对于标准神经网络估计器和先前的事后方法减少了偏差并改善了覆盖率。
引用
@article{arxiv.2507.12435,
title = {Targeted Deep Architectures: A TMLE-Based Framework for Robust Causal Inference in Neural Networks},
author = {Yi Li and David Mccoy and Nolan Gunter and Kaitlyn Lee and Alejandro Schuler and Mark van der Laan},
journal= {arXiv preprint arXiv:2507.12435},
year = {2025}
}