Multiple Treatments Causal Effects Estimation with Task Embeddings and Balanced Representation Learning
Yuki Murakami, Takumi Hattori, Kohsuke Kubota
多种治疗方法的同步应用在许多领域越来越普遍,如医疗保健和营销。 在这种情况下,重要的是要估计治疗组合产生的单一治疗效果和相互作用治疗效果。 以前的研究已经建议使用具有子网络的独立结果网络进行交互,或者将捕获处理与变体自动编码器相似的任务嵌入网络结合起来。 然而,这些方法由于相关处理之间缺乏参数共享而受到影响,或者对不必要的潜在变量的估计降低了因果效应估计的准确性。 为了解决这些问题,我们提出了一个新的深度学习框架,其中包含一个任务嵌入网络和一个具有平衡惩罚的表示学习网络。 任务嵌入网络可实现跨相关处理模式的参数共享,因为它编码了单一效应和交互效应特有的贡献。 具有平衡惩罚的表示学习网络从观察到的协方差中非参数地学习表示,同时减少不同处理模式的表示分布的距离。 这个过程减轻了选择偏差,避免了模型的错误指定。 模拟研究表明,所提出的方法优于现有基线,应用于现实世界的营销数据集证实了我们框架的实际意义和实用性。
The simultaneous application of multiple treatments is increasingly common in many fields, such as healthcare and marketing. In such scenarios, it is important to estimate the single treatment effects and the interaction treatment effects that arise from treatment combinations. Previous studies have proposed using independent outcome networks with subnetworks for interactions, or combining task embedding networks that capture treatment similarity with variational autoencoders. However, these met...
