翻译-CounterFactual Regression with Importance Sampling Weights
对于一个被诊断患有癌症的病人来说,在各种治疗方案下的预期寿命将是他最关心的。对于二元治疗方案,这将转化为估计两种可用治疗方案的效果(如未来寿命)之间的差异----即她的个体治疗效果(ITE)。这使得观察性数据研究极具挑战性,因为该数据具有选择偏差:分配到患者的治疗方案依赖于患者自身情况。在本文中,我们借用领域自适应的理念,期望解决因选择偏倚导致的源域(观察数据集中显示的给定治疗方案的效果)和目标域(另一种治疗方案的效果)之间的分配偏移。本文提出了一种基于表征学习模型的信息感知重要性抽样加权策略,用于准确估计
原创
2019-12-08 14:43:09 ·
686 阅读 ·
0 评论