简介:本文提出了一种新的因果估计优化方法。给定包含协变量和目标变量的数据,哪些协变量是目标变量的原因,因果关系的强度是什么? 在经典机器学习中,优化的目标是最大限度地提高预测精度。然而,一些协变量可能对结果表现出非因果关系。这种虚假的关联为经典的机器学习提供了预测的力量,但它们阻止了我们对结果的因果解释。本文提出了一种优化算法CoCo,它弥补了纯预测和因果推理之间的差距。CoCo利用了最近提出的环境、协变量/响应数据集的概念,其中因果关系保持不变,但协变量的分布在不同环境之间发生变化。给定来自多个环境的数据集——以及那些表现出足够异构性的数据集——CoCo最大化了一个目标,对于这个目标的唯一解是具有因果效应的解。我们描述了这种方法的理论基础,并在模拟和真实数据集上证明了它的有效性。与经典ML和现有方法相比,CoCo提供了更准确的因果模型估计。
论文链接:https://arxiv.org/abs/2109.11990
推荐理由:本文提出了一个新颖的因果效应估计方法,具有很好的实用价值和理论价值。
内容中包含的图片若涉及版权问题,请及时与我们联系删除
评论
沙发等你来抢