数据漂移流中持续因果效应估计
机器学习
2025-04-30 v1 人工智能
统计方法学
摘要
因果效应估计在营销优化中得到广泛应用。遵循约束优化算法的提升模型框架在实践中非常流行。为提升在在线环境中的性能，该框架需要改进以应对由时间数据漂移引起的复杂性。本文聚焦于捕捉随时间变化的用户行为和域分布导致的数据漂移。我们提出了一种基于代理知识蒸馏的增量因果效应框架（ICE-PKD），以解决这一挑战。ICE-PKD框架包含两个组件：(i) 消除混杂偏差的多处理提升网络，使用反事实回归；(ii) 适应时间数据漂移的增量训练策略，通过更新最新数据并利用基于记忆回放的知识蒸馏来保护泛化。我们还重新审视了提升建模指标，引入了一种用于多处理场景中更精确在线评估的新指标。在模拟数据和在线数据上的大量实验表明，所提框架取得了更好的性能。ICE-PKD框架已部署在中国一家叫“华夏猪”的叫车平台的营销系统中。
引用
@article{arxiv.2504.20471,
title = {The Estimation of Continual Causal Effect for Dataset Shifting Streams},
author = {Baining Chen and Yiming Zhang and Yuqiao Han and Ruyue Zhang and Ruihuan Du and Zhishuo Zhou and Zhengdan Zhu and Xun Liu and Jiecheng Guo},
journal= {arXiv preprint arXiv:2504.20471},
year = {2025}
}