简介：工具变量(Instrumental Variables, IV)是治疗随机化的来源，有条件地独立于结果，在未观察到的混杂因素的因果推理中具有重要作用。然而，现有的基于工具变量的反事实预测方法需要预先定义好的工具变量，而在许多现实场景中，找到有效的IV是一门艺术，而不是科学。此外，人为预先定义的IV可能会因为违反有效IV的条件从而引入错误。这些棘手的事实阻碍了基于IV的反事实预测方法的应用。在本文中，我们提出了一种新的自动工具变量分解(AutoIV)算法，从观测变量(IV候选变量)中自动生成IV的表示。具体来说，我们通过互信息最大化和最小化约束，让学到的IV表示分别满足与治疗和结果的相关性条件。我们也通过鼓励他们与治疗和结果相关来学习混杂表征。在对抗性博弈中，IV表征和混杂表征通过它们的约束条件争夺信息，这使得我们能够得到基于IV的反事实预测的有效的IV表征。大量的实验表明，我们的方法能够产生有效的IV表征来进行准确的基于IV的反事实预测。

链接：http://arxiv.org/abs/2107.05884
推荐理由：本文是况琨老师组的最新工作，提出了在表征学习中同时学习IV与混淆变量的框架，其问题建模十分新颖，有很大的参考价值。

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