개인 치료 효과 추정을 위한 일반화 경계와 표현 학습 알고리즘

본 논문은 관찰 데이터에서 강한 무시가능성 가정 하에 개별 치료 효과(ITE)를 추정하기 위한 새로운 일반화 오류 경계와 이를 활용한 표현 학습 기반 알고리즘을 제안한다. 표현을 균형 있게 학습함으로써 처리군과 대조군의 분포 차이를 최소화하고, Wasserstein 및 MMD와 같은 적분 확률 거리(IPM)를 이용해 이론적 보장을 제공한다. 실험 결과는 제안 방법이 기존 최첨단 기법을 능가하거나 동등한 성능을 보임을 확인한다.

저자: Uri Shalit, Fredrik D. Johansson, David Sontag