因果干涉的密度估计归一化流

文章预览

Normalizing Flows for Interventional Density Estimation 用于干涉密度估计的归一化流 https://proceedings.mlr.press/v202/melnychuk23a/melnychuk23a.pdf 摘要 现有的用于因果推断的机器学习方法通常估计通过潜在结果的均值表示的量（例如，平均处理效应）。然而，这些量并不能完全捕获潜在结果分布的全部信息。在本文中，我们 从观测数据中估计了干预后潜在结果的密度。为此，我们提出了一种新颖的全参数深度学习方法，称为干预归一化流（Interventional Normalizing Flows）。具体而言，我们结合了两种归一化流，即（i）用于估计干扰参数的干扰流（nuisance flow），以及（ii）用于潜在结果密度参数估计的目标流（target flow）。我们进一步基于一步偏差校正开发了一个可行的优化目标，以实现目标流参数的高效且双重稳健估计 。因此，我们的干预归一化流提供了一个适当归一化的 ………………………………