Stable Heterogeneous Treatment Effect Estimation across Out-of-Distribution Populations

异质性处理效应（HTE）估计对于理解个体或子群体中处理效应的变化至关重要。大多数现有的HTE估计方法专注于解决处理组和对照组之间混淆变量分布不平衡导致的选择偏差，但忽略了不同人群之间的分布变化。因此，它们的适用性仅限于与训练数据集具有相似分布的内部分布（ID）人群。在现实世界的应用中，人群分布是不断变化的，因此迫切需要稳定的HTE估计能够适用于超出分布范围（OOD）的人群，但这仍然是一个未解决的问题。作为解决这个问题的先驱，我们提出了一个新的稳定平衡表示学习与分层注意范式（SBRL-HAP）框架，它包括1）平衡正则化器以消除选择偏差，2）独立正则化器以解决分布变化问题，3）分层注意范式以协调平衡和独立之间的关系。通过这种方式，SBRL-HAP使用ID数据回归反事实结果，同时确保所得到的HTE估计可以成功地推广到OOD场景中，从而增强了模型在现实世界中的适用性。在合成和真实数据集上进行的大量实验表明，与SOTA方法相比，我们的SBRL-HAP在实现OOD人群中稳定的HTE估计方面具有显著的效果，PEHE误差指标平均减少了10％，ATE偏差减少了11％。

解决异质性处理效应（HTE）估计中的分布漂移问题，提高模型在现实世界中的适用性。

通过提出一种新的框架，使用平衡正则化器和独立性正则化器来协调选择偏差和分布漂移问题，同时使用分层注意力机制来提高模型的稳定性和泛化性。

论文在合成和真实数据集上进行了广泛的实验，证明了SBRL-HAP在解决分布漂移问题的HTE估计中的有效性。实验结果显示，与SOTA方法相比，PEHE误差指标平均降低了10％，ATE偏差降低了11％。

在HTE估计领域中，已有一些研究关注选择偏差问题，但忽略了分布漂移问题。近期的相关研究包括：1）Causal Forests；2）DeepIV；3）T-learner。