面向个体处理效应估计的迁移学习
机器学习
2023-06-07 v3 统计方法学
机器学习
摘要
本工作考虑在个体处理效应（ITE）估计任务间迁移因果知识的问题。为此，我们从理论上评估了迁移 ITE 知识的可行性，并提出了一种高效的实用迁移框架。我们引入了目标任务 ITE 误差的下界，以表明由于缺乏反事实信息，ITE 知识迁移具有挑战性。尽管如此，我们建立了目标任务的 counterfactual 损失与 ITE 误差的泛化上界，证明了 ITE 知识迁移的可行性。随后，我们引入了一个带有新因果推断任务亲和性（CITA）度量的框架用于 ITE 知识迁移。具体而言，我们利用 CITA 寻找最接近目标任务的源任务，并将其用于 ITE 知识迁移。我们提供了实证研究，证明了所提方法的有效性。我们观察到 ITE 知识迁移可显著（高达 95%）减少 ITE 估计所需的数据量。
引用
@article{arxiv.2210.00380,
title = {Transfer Learning for Individual Treatment Effect Estimation},
author = {Ahmed Aloui and Juncheng Dong and Cat P. Le and Vahid Tarokh},
journal= {arXiv preprint arXiv:2210.00380},
year = {2023}
}