本文探讨了在强化学习和因果推断中，如何应对稳定单位治疗值假设（SUTVA）在实际应用如社交媒体分析、网络数据和时间序列数据中不成立的情况。提出了使用图卷积网络处理网络数据，时间序列去混杂器应对隐藏混杂因素，以及Q-learning和A-learning解决动态治疗方案的问题。同时，介绍了如何通过分类处理连续剂量和使用BCAWS设计来调整动态治疗策略。
在第3节中，详细介绍了基于三个假设的因果推断方法，即稳定单位治疗值假设（SUTVA），可燃性假设和积极性假设。
然而，在实践中，对于一些特定的应用，如社交媒体分析，它涉及到依赖的网络信息、特殊的数据类型(如时间序列数据)或特定的条件(如未观察到的混杂因素的存在)，这三个假设并不总是成立的。在这一节中，将讨论试图放松某些假设的方法。
4.1稳定单位治疗值假设（SUTVA）假设
稳定单位治疗价值假设（SUTVA）指出，任何单位的潜在结果不会随分配给其他单位的治疗而变化，并且对于每个单位，每种治疗水平没有不同的形式或版本，从而导致不同的潜力在结果。该假设主要集中在两个方面：
-
（1）单位是独立且同分布的（即i.i.d.）;
-
（2）每种处理只存
最低0.47元/天 解锁文章
扫一扫
442
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
