简介：由于缺少反事实数据，从观察数据估计治疗效果是具有挑战性的。数据匹配是解决这一问题的有效策略。常用的匹配方法如最近邻匹配(NNM)将治疗单元与协变量最相似的对照单元配对，然后根据协变量估计治疗效果。然而，当对照组和治疗组的分布不平衡时，现有匹配估计器的性能较差。此外，理论分析表明，因果效应估计的偏差会随着协变量维数的增加而增加。在本文中，我们的目标是通过学习观测数据的低维平衡和非线性表示(BNR)来解决这些问题。特别地，我们将反事实预测转化为分类问题，开发了一个带有领域自适应约束的核学习模型，并设计了一个新的匹配估计器。将数据投影到低维子空间后，协变量的维数将显著降低。在几个模拟和真实数据集上的实验证明了我们的方法的有效性。

论文链接：https://proceedings.neurips.cc/paper/2017/file/b2eeb7362ef83deff5c7813a67e14f0a-Paper.pdf
推荐理由：本文使用核方法来进行数据的匹配，具有较好的理论性质与实际效果，值得借鉴。

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