核因果模型:治疗效果、反事实、中介和代理，57页ppt

一个基本的因果建模任务是在观察到的协变量X存在的情况下，预测干预(或治疗)D= d对结果Y的影响。我们可以通过边缘化条件平均值E(Y|X,D)除以P(X)的估计\gamma(X,D)来获得平均治疗效果。更复杂的因果关系问题需要考虑条件预期。例如，被治疗对象的平均治疗(ATT)解决了一个反事实:对接受治疗的亚群体进行干预的结果是什么?在这种情况下，我们必须在条件分布P(X\d)上边缘化\gamma，这对连续多变量d来说是一个挑战。许多附加的因果问题要求我们在条件分布上边缘化，包括条件ATE、中介分析、动态治疗效果，以及使用代理变量对未观察到的混杂因素进行校正。

我们使用核方法在非参数设置中解决这些问题，核方法适用于非常一般的处理D和协变量X(学习的NN特征也可以使用)。在两阶段最小二乘回归的推广中，我们使用条件均值嵌入对条件分布进行边缘化。我们在一般平滑性假设下提供了强有力的统计保证，并提供了直接而鲁棒的实现(几行代码)。该方法主要是通过解决美国弱势青年就业团项目中产生的因果模型问题来演示的。

Arthur Gretton是盖茨比计算神经科学中心的教授，也是伦敦大学学院计算统计和机器学习中心的主任。一个简短的传记。最近在机器学习方面的研究兴趣包括生成模型的设计和训练，包括隐式(如GANs)和显式(高/无限维指数家族模型和基于能量的模型)，非参数假设检验，生存分析，因果关系和核方法。

http://www.gatsby.ucl.ac.uk/~gretton/