Sep, 2024
从文本到治疗效果：应对基于文本的混杂因素的元学习方法
From Text to Treatment Effects: A Meta-Learning Approach to Handling
Text-Based Confounding
TL;DR本研究解决了因果机器学习中从观察数据准确估计异质治疗效果的难题，尤其是当混杂因素嵌入文本时。通过合成数据实验，我们提出使用预训练文本表示的学习者在充分数据条件下能显著改善条件平均治疗效果（CATE）的估计。研究发现文本嵌入的复杂性限制了这些模型的表现，但同时也展现了其在因果推断中的潜力和未来研究的广阔空间。