Jan, 2020
概括性界限和表示学习用于估计潜在结果和因果效应
Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects
Fredrik D. Johansson, Uri Shalit, Nathan Kallus, David Sontag
TL;DR本文研究了从记录的上下文、决策和结果中估计单个患者对替代药物的反应的个体层面因果效应的估计，并给出了基于不同治疗组之间的距离度量的误差的概括界限，引导了表示学习算法的开发，该算法通过规范化表示的诱导治疗组距离，鼓励治疗组之间信息的共享来最小化误差的界限。最后，对真实和合成数据的实验评估表明了所提出的表示架构和规范化方案的价值。