估计观测网络数据因果效应的泛化界
原文中文，约200字，阅读约需1分钟。发表于：。通过利用基于联合倾向性评分的重新加权模式和基于积分概率度量的表示学习模式，在网络情景中推导出因果效应估计的泛化界限，从而支持减轻复杂的混淆偏差并在原则性上指导学习目标的设计，通过分析泛化界限提出一种基于联合倾向性评分和表示学习的加权回归方法，并在两个真实网络的半合成数据上进行广泛实验，验证了算法的有效性。
本文研究了个体层面因果效应的估计，通过记录上下文、决策和结果来估计单个患者对替代药物的反应。同时，给出了基于治疗组距离度量的误差概括界限，并开发了表示学习算法，通过规范化表示的诱导治疗组距离，最小化误差的界限。最后，通过实验评估证明了所提出的表示架构和规范化方案的价值。
