具有因果关系图约束的神经网络：一种新的治疗效应估计方法

原文约300字，阅读约需1分钟。发表于：。

近年来，对使用机器学习技术估计治疗效果的兴趣逐渐增长。本文讨论和分类了这些模型的算法归纳偏差，并提出了一种考虑因果图中的附加信息的新模型 NN-CGC，通过对模型实施新的约束，解决了来自虚假变量相互作用造成的偏差，并且可以与其他表征学习方法集成。我们使用三种不同的基础模型对我们的方法进行有效性测试，结果表明，我们的模型约束带来了显著的改进，在治疗效果估计方面取得了最新的全球领先成果。我们还展示了我们的方法对不完整因果图的鲁棒性，并且使用部分因果信息要优于忽略它。

本文提出了一种新模型NN-CGC，通过考虑因果图中的附加信息和实施新的约束，解决了虚假变量相互作用造成的偏差，并且可以与其他表征学习方法集成。结果表明，该模型在治疗效果估计方面取得了全球领先成果。