【AISTATS2023】基于上下文和混杂因素的因果效应估计，77页ppt

一个基本的因果建模任务是在给定的背景/协变量的情况下，预测干预(或治疗)对结果的影响。例如，根据患者症状和人口统计学信息预测医疗治疗对患者健康的影响，或者根据需求的季节性波动预测机票价格对航空公司销售的影响。当治疗和背景很复杂时(例如，“治疗”可能是一个网页广告设计或放疗计划)，当只有观察性数据时(即我们可以访问历史数据，但不能干预)，这个问题变得特别具有挑战性。当协变量未被观测到并构成一个隐藏的混淆源时，挑战更大。我将概述一些实用的工具和方法，用于从观察数据中估计复杂的高维处理的因果关系。该方法基于条件特征均值，表示相关模型特征的条件期望。这些特征可以是深度神经网络(自适应的、有限维度的、从数据中学习的)，或者核特征(固定的、无限维度的、增强平滑的)。当存在隐藏的干扰时，可以使用辅助变量回归的神经网络实现来纠正这种干扰。这些方法将应用于美国弱势青年就业团队项目的就业结果建模，以及强化学习的策略评估。