Differentiable Pareto-Smoothed Weighting for High-Dimensional Heterogeneous Treatment Effect Estimation

要約

高次元の特徴属性を使用して個人間の不均一な治療効果を推定することへの関心が高まっています。
このような高次元の不均一な治療効果の推定で高いパフォーマンスを達成することは、この設定では通常、一部の特徴がサンプル選択バイアスを誘発する一方、他の特徴は誘発せず、潜在的な結果を予測するためであるため、困難です。
このような予測特徴情報の損失を避けるために、既存の方法では、確率重み付け (IPW) の逆関数を使用して個別の特徴表現を学習します。
ただし、IPW 重みは数値的に不安定であるため、有限サンプル設定では推定バイアスの影響を受けます。
重み付けされた表現学習を通じて数値的にロバストな推定器を開発するために、エンドツーエンドの方法で極端な重み値を置き換える微分可能なパレート平滑化重み付けフレームワークを提案します。
実験結果は、重み値を効果的に修正することにより、私たちの方法が従来の重み付けスキームを含む既存の方法よりも優れていることを示しています。

要約(オリジナル)

There is a growing interest in estimating heterogeneous treatment effects across individuals using their high-dimensional feature attributes. Achieving high performance in such high-dimensional heterogeneous treatment effect estimation is challenging because in this setup, it is usual that some features induce sample selection bias while others do not but are predictive of potential outcomes. To avoid losing such predictive feature information, existing methods learn separate feature representations using the inverse of probability weighting (IPW). However, due to the numerically unstable IPW weights, they suffer from estimation bias under a finite sample setup. To develop a numerically robust estimator via weighted representation learning, we propose a differentiable Pareto-smoothed weighting framework that replaces extreme weight values in an end-to-end fashion. Experimental results show that by effectively correcting the weight values, our method outperforms the existing ones, including traditional weighting schemes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google