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