简介：人们对将机器学习应用于医疗、经济和教育等领域的因果推理问题有着浓厚的兴趣。特别是，个人层面的因果效应估计具有重要的应用，如精准医疗。我们给出了一种新的理论分析和算法族来预测个体治疗效应(ITE)，在已知的强忽略(Strong Ignorability)假设下。算法学习一种“平衡”的表示，使得治疗组的分布和对照组分布看起来相似，我们推导出了一个新颖和直观的泛化误差界，显示出期望的ITE估计误差的上界可以表示为该表征上标准误差与对照实验组间分布距离之和。我们使用积分概率度量来测量分布之间的距离，推导出明确的Wasserstein距离和最大平均偏差(MMD)距离的界限。真实和模拟数据的实验表明，新算法的性能达到或超过了目前最先进的算法。

论文链接：https://arxiv.org/abs/1606.03976.pdf
推荐理由：本文给出了ITE估计的泛化误差界与相应的算法，具有比较好的理论性质，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