背景
预测行动间的因果关系是一个非常重要的研究课题。例如,医生判断哪种药物会对病人产生更好的效果。在这种任务中,我们的可观测数据有过去采取的行动(吃了哪些药),它们的结果(病情),可能还有更多的协变量covariate information(病人信息),但我们不知道行为与结果之间的因果关系。一种简单的估计方法是基于干预,即保证两次实验环境完全一致,只改变(是否用药),然后将得到的结果求差即用药的收益。
本文从第一篇以深度学习的工具研究individual treatment effect 的文章开始,挑选了6篇顶会文章对该领域的发展做一介绍。具体包括:
-
ICML 2017 Estimating individual treatment effect: generalization bounds and algorithms
-
NeurIPS 2019 Adapting Neural Networks for the Estimation of Treatment Effects
-
PNAS 2019 Meta-learners for Estimating Heterogeneous Treatment Effects using Machine Learning
-
AAAI 2020 Learning Counterfactual Representations for Estimating Individual Dose-Response Curves
-
ICLR 2021 Oral: VCNet and Functional Targeted Regularization For Learning Causal Effects of Continuous Treatments
-
Arxiv 2021 Neural Counterfactual Representation Learning for Combinations of Treatments
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