专栏首页arxiv.org翻译专栏深度代理因果学习及其在混淆匪政策评估中的应用

深度代理因果学习及其在混淆匪政策评估中的应用

代理因果学习(PCL)是一种在存在未观察到的混杂因素的情况下,使用混杂因素的代理(结构化侧信息)来估计治疗对结果的因果影响的方法。这是通过两阶段回归实现的:在第一阶段,我们建立了治疗和代理之间的关系模型;在第二阶段,我们使用这个模型来了解治疗对结果的影响,考虑到代理提供的背景。PCL保证在可识别的条件下恢复真正的因果关系。我们提出了一种新的PCL方法,即深度特征代理变量法(DFPV),以解决代理、治疗和结果是高维的,并且具有非线性复杂关系的情况,如深度神经网络特征所表示的。我们展示了DFPV在具有挑战性的合成基准测试(包括涉及高维图像数据的设置)上优于最近最先进的PCL方法。此外,我们还证明了PCL可以应用于混杂bandit问题的非策略评估,其中DFPV也表现出竞争性能。

原文题目:Deep Proxy Causal Learning and its Application to Confounded Bandit Policy Evaluation

原文:Proxy causal learning (PCL) is a method for estimating the causal effect of treatments on outcomes in the presence of unobserved confounding, using proxies (structured side information) for the confounder. This is achieved via two-stage regression: in the first stage, we model relations among the treatment and proxies; in the second stage, we use this model to learn the effect of treatment on the outcome, given the context provided by the proxies. PCL guarantees recovery of the true causal effect, subject to identifiability conditions. We propose a novel method for PCL, the deep feature proxy variable method (DFPV), to address the case where the proxies, treatments, and outcomes are high-dimensional and have nonlinear complex relationships, as represented by deep neural network features. We show that DFPV outperforms recent state-of-the-art PCL methods on challenging synthetic benchmarks, including settings involving high dimensional image data. Furthermore, we show that PCL can be applied to off-policy evaluation for the confounded bandit problem, in which DFPV also exhibits competitive performance.

原文链接:https://arxiv.org/abs/2106.03907

原文作者:Liyuan Xu, Heishiro Kanagawa, Arthur Gretton

我来说两句

0 条评论
登录 后参与评论

推荐阅读

  • 从0到1快速了解ElasticSearch数据检索

    这篇文章主要讨论一下ElasticSearch数据检索内部流程,方便大家对数据检索的理解。如果对ElasticSearch的文档写入不了解的同学可以先看一下上一篇文章【从0到1了解ElasticSearch文档写入】。

    爱拼才会赢
    ElasticsearchServiceNoSQL存储
  • 秒杀设计服务稳定性思考

    秒杀活动主要涉及的前端页面有活动推广页、商品详情页,涉及到的后端服务主要有商品服务、库存服务、订单服务,简要流程图如下:

    爱拼才会赢
  • 容灾系列(五)——数据库容灾建设

    在一个数据为王时代,数据安全视为一家企业命根子,因此如何保障企业数据安全尤为重要。本文主要从数据库容灾方案视角,基于当前客户业务并结合技术&产品,制定最佳容灾方案。主要从以下三个方面来介绍:

    开元
    数据库解决方案数据库架构设计
  • Elasticsearch 7.10.1集群压测报告(4核16G*3,Intel)

    本文描述问题及解决方法同样适用于 腾讯云 Elasticsearch Service(ES)。

    岳涛
    大数据大数据解决方案压力测试ElasticsearchService
  • Elasticsearch 7.10.1集群压测报告(4核16G*3,AMD)

    本文描述问题及解决方法同样适用于 腾讯云 Elasticsearch Service(ES)。

    岳涛
    压力测试大数据大数据解决方案ElasticsearchService
  • Elasticsearch压测工具esrally部署之踩坑实录(下)

    本文描述问题及解决方法同样适用于 腾讯云 Elasticsearch Service(ES)。

    岳涛
    压力测试ElasticsearchService大数据大数据解决方案
  • Elasticsearch 6.0.0本地单机16核32G压测报告

    本文描述问题及解决方法同样适用于 腾讯云 Elasticsearch Service(ES)。

    岳涛
    ElasticsearchService大数据大数据解决方案性能测试
  • Elasticsearch压测工具esrally部署之踩坑实录(上)

    本文描述问题及解决方法同样适用于 腾讯云 Elasticsearch Service(ES)。

    岳涛
    性能测试大数据大数据解决方案ElasticsearchService
  • 第一届腾讯云“开发者开放麦”,10月31日等你来talk!

    PS:想要结交到更多热爱云产品,喜欢云技术讨论的朋友,想有更多机会与产品&开发面对面交流,想参与更多腾云先锋(TDP)活动,获取更多TDP专属福利,欢迎扫描下图群二维码,加入腾云先锋(TDP)反馈交流群,我们共同成长进步。

    腾云先锋团队
  • Android 搭建人脸核身静默验证模式

    (2)腾讯云控制台开通人脸核身权限 https://console.cloud.tencent.com/faceid/access

    袁伦桥
    人脸核身Android

扫码关注云+社区

领取腾讯云代金券