简介：为个人推荐最佳方案是个人层面因果效应估计的主要应用。这种应用程序通常需要在安全关键的领域(如医疗保健)中使用，在这些领域中，评估不确定性并向决策者传达不确定性是至关重要的。我们介绍了一种实用的方法，将不确定性估计整合到最先进的神经网络方法中，来进行个人层次的因果估计。我们表明，我们的方法使我们能够优雅地处理“无重叠”的情况，这种情况在高维数据中是常见的，并且会使得标准的因果效应估计方法失败。此外，我们的方法允许我们处理协变量移位，即列车和测试分布不同的地方，这在实际部署系统时很常见。我们表明，当这种协变量移位发生时，正确地建模不确定性可以防止我们给出过度自信和潜在有害的建议。我们使用一系列最先进的模型来演示我们的方法。在协变量移位和缺乏重叠的情况下，我们的方法可以在预测不可信时提醒决策者，同时优于使用倾向评分来识别缺乏重叠的标准方法。

论文链接：https://arxiv.org/abs/2007.00163.pdf
推荐理由：本文将不确定性评估纳入到了机器学习模型之中，使得模型能够给出决策的置信度，对于可信赖的机器学习有着重要的作用。

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