一个基本的因果建模任务是在观察到的协变量X存在的情况下，预测干预(或治疗)D= D对结果Y的影响。我们可以通过边缘化条件平均值E(Y|X,D)除以P(X)的估计得到平均治疗效果(ATE:干预D的预期结果)。更复杂的因果关系问题需要更细致的处理。例如，被治疗者的平均治疗(ATT)处理的是一个反事实:对接受d治疗的亚群体进行d'治疗的结果是什么?在这种情况下，我们必须在条件分布P(X\d)上边缘化\gamma，这对连续多变量d来说是一个挑战。许多附加的因果问题要求我们在条件分布上边缘化，包括条件ATE、中介分析、动态治疗效果，以及使用代理变量对未观察到的混杂因素进行校正。我们在非参数设置中使用核方法来解决这些问题，核方法可以应用于非常一般的处理D和协变量X(连续多元，字符串，组，…)我们通过核脊回归学习\gamma，并使用核条件均值嵌入对条件分布进行边缘化，这可以被认为是两阶段最小二乘的推广。我们在一般平滑假设下提供了强大的统计保证，并提供了直接而稳健的实现(几行代码)。
视频：
https://mediasite.video.ufl.edu/Mediasite/Play/2645503cfa0a4c9c97a7d0858c2598961d?playFrom=1474368&autoStart=true
专知便捷查看
便捷下载，请关注专知人工智能公众号（点击上方蓝色专知关注）
专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取100000+AI(AI与军事、医药、公安等)主题干货知识资料！
点击“阅读原文”，了解使用专知，查看获取100000+AI主题知识资料
