Causal Deepsets for Off-policy Evaluation under Spatial or Spatio-temporal Interferences

本文介绍了一种因果深度集框架，用于处理时空干扰的离线数据集上的离策略评估（OPE），该方法被广泛应用于制药和电子商务等领域，以评估新产品或政策的有效性。该框架放松了现有OPE方法中的几个关键结构假设，主要是普遍存在的平均场假设。这些传统假设在实际情况中经常无法满足，从而限制了当前OPE方法有效处理复杂干扰效应的能力。为此，我们倡导实施置换不变（PI）假设。这种创新方法使得可以通过数据驱动的自适应学习平均场函数，提供了一种比传统平均更灵活的估计方法。此外，我们提出了将PI假设纳入OPE的新算法，并彻底研究了它们的理论基础。我们的数字分析表明，这种新方法比现有的基准算法产生了更精确的估计，从而大大提高了OPE方法的实际适用性和有效性。我们提出的方法的Python实现可在https://github.com/BIG-S2/Causal-Deepsets上获得。

本论文旨在解决离线数据集中的空间-时间干扰问题，提出了一种基于置换不变性的因果深度集框架，以更灵活的估计方法有效评估新产品或政策的效力。

论文提出了一种基于置换不变性的因果深度集框架，通过数据驱动的自适应学习均场函数，实现了更灵活的估计方法，相比传统平均方法具有更好的效果。

论文算法在实验中表现出比现有基准算法更精确的估计结果，提高了OPE方法的实用性和有效性。论文提供了Python实现代码，并探讨了进一步研究的方向。

相关研究包括传统的OPE方法和其他因果推断方法，如IPW和Doubly Robust等。