反事实 $\chi$-GAN
机器学习
2020-12-04 v2 机器学习
摘要
因果推断通常依赖于反事实框架，该框架要求处理分配独立于结果，即所谓强可忽略性。在观测数据的因果分析中强制强可忽略性的方法包括加权与匹配方法。诸如平均处理效应(ATE)等效应估计量，随后被估计为在重新加权或匹配分布 P 下的期望。P 的选择很重要，并会影响效应估计量的解释与方差。在本工作中，我们不是指定 P，而是学习一个同时最大化 ATE 估计量覆盖度并最小化其方差的分布。为学习该分布，本研究提出一种基于生成对抗网络(GAN)的模型，称为反事实 -GAN (cGAN)，它同时学习特征平衡权重，并在无未观测混杂下支持无偏因果估计。我们的模型最小化 Pearson 散度，我们证明该散度同时最大化覆盖度并最小化重要性采样估计量的方差。据我们所知，这是 Pearson 散度的首个此类应用。我们在模拟和真实世界医疗数据上展示了 cGAN 相对于已有加权方法在实现特征平衡方面的有效性。
引用
@article{arxiv.2001.03115,
title = {The Counterfactual $\chi$-GAN},
author = {Amelia J. Averitt and Natnicha Vanitchanant and Rajesh Ranganath and Adler J. Perotte},
journal= {arXiv preprint arXiv:2001.03115},
year = {2020}
}
备注
9 pages; 3 figures; See peer-reviewed work at Journal of Biomedical Informatics