NeurIPS 2022｜用于治疗效果估计的异质特征空间上的迁移学习

简介：本文考虑通过利用来自具有不同特征空间的源域的相关信息来改进对目标领域的条件平均治疗效果（CATE）的估计问题。这种用于CATE估计的异质迁移学习问题在医疗保健等领域无处不在，在这些领域中，我们可能希望对一个新的病人群体的治疗效果进行评估，而这些病人群体有不同的临床协变量和有限的数据。在本文中，我们通过引入几个构件来解决这个问题，这些构件使用表示学习来处理异质特征空间，并使用一个灵活的多任务架构，通过共享和私有层在不同领域的潜在结果函数之间迁移信息。然后，我们展示了这些构件如何被用来恢复标准CATE学习器的迁移学习等价物。在一个新的半合成数据模拟基准上，我们不仅展示了我们的异质迁移因果效应学习器在不同数据集上的性能改进，而且还从迁移的角度提供了对这些学习器之间差异的了解。