Neural Networks with Causal Graph Constraints: A New Approach for Treatment Effects Estimation

近年来，越来越多的人对使用机器学习技术来估计治疗效果产生了兴趣。大多数表现最佳的方法依赖于表示学习策略，以鼓励潜在结果之间的共享行为，以增加治疗效果估计的精度。在本文中，我们根据它们的算法归纳偏差对这些模型进行了讨论和分类，并提出了一种新模型NN-CGC，该模型考虑了因果图中的额外信息。NN-CGC通过在模型上实现新的约束来解决由虚假变量相互作用引起的偏差，并且它可以与其他表示学习方法集成。我们使用三种不同的基础模型在常见基准测试中测试了我们方法的有效性。我们的结果表明，我们的模型约束导致了显著的改进，实现了治疗效果估计的新的最佳结果。我们还表明，我们的方法对不完美的因果图具有鲁棒性，并且使用部分因果信息比忽略它更可取。

本论文旨在解决治疗效果估计中的偏差问题，特别是针对虚假变量交互引起的偏差。同时，论文还试图探讨治疗效果估计模型中的算法归纳偏差问题。

本论文提出了一种新的模型NN-CGC，它考虑了因果图中的额外信息，并通过实施新的模型约束来解决偏差问题。NN-CGC可以与其他表示学习方法集成，并在常见基准测试中取得了显著的改进和最新的最佳效果。

本文的实验表明，NN-CGC模型的约束条件可以显著提高治疗效果估计的准确性。论文还表明，使用部分因果信息比忽略它更可取。论文使用三种不同的基本模型进行测试，并在常见基准测试中取得了最新的最佳效果。本文还开源了代码。

在这个领域中，最近的相关研究包括：1. 'Deep instrumental variable methods' 2. 'Causal inference in statistics: An overview' 3. 'Estimating causal effects of treatments in randomized and nonrandomized studies'等。