通过先验数据拟合网络摊销因果敏感性分析

因果敏感性分析旨在在存在未观察到的混杂因素的情况下为因果效应估计提供界限。然而，现有的因果敏感性分析方法是针对每个实例的过程，这意味着对数据集、因果查询、敏感性级别或处理的更改需要新的计算。在这里，我们提出了一种情境学习方法。具体来说，我们提出了一种基于先验数据拟合网络的因果敏感性分析的摊销方法。一个关键的挑战是在对训练数据进行采样时无法直接获得灵敏度界限。为了解决这个问题，我们开发了一种适用于广义治疗敏感性模型类别的通用先验数据构造。我们的构造涉及目标的拉格朗日标量化，通过因果效应最小/最大化和敏感性模型违规之间的权衡来生成边界的训练标签，这避免了特定于模型的分析推导。我们进一步表明，在标准凸性和线性条件下，我们的目标恢复了解决方案的完整帕累托前沿。根据经验，我们在各种数据集、因果查询和敏感度级别上展示了我们的摊销方法，其中我们的方法实现了比按实例方法快几个数量级的测试时间计算。据我们所知，我们的模型是用于因果敏感性分析的上下文学习的第一个基础模型。