抽象的

因果推断方法广泛应用于医学，政策和经济学领域。这些应用的核心是估算治疗效果的决策。目前的方法基于单个结果尺寸的治疗效果使二元yes-or-no-o或-Om决定。这些方法无法捕获具有强度测量的连续空间处理策略。它们还缺乏考虑与受试者匹配候选治疗的治疗复杂性的能力。我们建议将治疗的有效性作为参数化模型，通过连续的政策治疗功能和匹配的可能性扩大到多种治疗强度和复杂性。我们将治疗效果致力于有效因素的建议介绍了使用因果推断模拟丰富的行动空间的框架。我们利用深度学习来优化所需的整体度量空间，而不是预测单维治疗反功能。这种方法采用人口广泛的有效性，从而显着提高了模型的整体效力。我们的算法的性能是。 demonstrated with experiments. When using generic continuous space treatments and matching architecture, we observe a 41% improvement upon prior art with cost-effectiveness and 68% improvement upon a similar method in the average treatment effect. The algorithms capture subtle variations in treatment space, structures the efficient optimizations techniques, and opens up the arena for many applications.

作者

zou那Smitha Shyam.那迈克尔梅伊那明希王那Jan Pedersen.那Zoubin Ghahramani.

全文

'学习持续治疗政策和二分嵌入，用于与异质因果效应相匹配'（PDF）

优步AI.