10:52arXiv cs.LG@Nikita Dhawan, Arnav Paruthi, Andrew Kim, Lovedeep Gondara, Jekaterina Novikova, Chris J. Maddison精选该论文提出了一种针对高维治疗(如文本、连续变量)的因果风险最小化方法。传统因果估计假设所有干预都被观察到,但在高维空间(如所有可能的文本字符串)中不可行。作者将因果推断转化为学习问题,证明因果误差可分解为一系列矩平衡误差,并设计了直接优化因果估计的目标函数。他们还展示了如何将高维治疗效果投影到低维属性上,使单一模型能回答多个因果问题,无需额外训练。在亚马逊评论的半合成数据集上,实验验证了高阶平衡误差优化的优势,以及投影估计与属性特定估计的竞争力。论文因果推断高维治疗文本干预矩平衡半合成数据集推荐理由:做因果推断或文本干预效果分析的团队,这篇论文给出了处理高维治疗空间的实用框架,可以直接参考其矩平衡优化方法。原文