原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
消除深度因果人工智能中的疑虑
CooperDoyle∗
2025年7月4日
本
译摘要
中
准确的个体治疗效果估计在高风险应用中需要可靠的点预测和可解
1
v释的不确定性量化。我们提出了一种用于深度双网络模型的分解蒙特
2卡罗丢弃框架，将总预测方差分为共享编码器中的表示不确定性()
2rep
6和结果头中的预测不确定性()。在三种合成协变量转移制度下，我
pred
3
0们的区间是良好校准的（ECE0.03）并满足reppredtot。此
7.外，我们观察到一个交叉点——头部不确定性在分布内数据中领先，但
0在转移情况下表示不确定性占主导地位。最后，在一个具有诱导多变量
5
2变化的真实双胞胎队列中，只有rep在分布外样本（）上
:出现尖峰，并成为主要的误差预测器（），而保持平稳。
vreppred
i
x该模块级分解为检测和解释深度因果效应模型中的不确定性来源提供
r了实用的诊断工具。
a
1介绍
有效的因果决策制定在金融、医疗保健和公共政策等领域不仅需要对个
体治疗效果（ITE）进行准确估计，还需要能够区分由于协变量空间部分缺
乏数据或覆盖而导致的知识论的不确定性和由于不可减少的结果噪声导致
的偶然性不确定性的不确定性度量。在实践中，选择和采样偏差经常会导
致协变量偏移的子人群（例如代表性不足的人口群体或临床队列），因此诊
∗Correspondingauthor:cooper.doyle@.au
1
断ITE模型是否在其训练分布之外进行外推变得至关重要。现有的深度学
习方法（如TARNet[1]，DragonNet[2]）和贝叶斯树（如BART[3]，Causal
Forests[4]）提供了区间估计，但将所有不确定性合并为一个分数，掩盖了错
误是源于编码器级别的覆盖缺口还是头部噪声。
我们通过引入深度双网络架构中的原则性模块级方差分解来解决这一
差距。在共享编码器和每个治疗特定头中应用具有不同dropout掩码的
MonteCarloDropout可得到两个不确定性组件：
•表示不确定性()，在编码器的潜在协变量中捕捉知识论上的疑虑；
rep
•预测不确定性()
文档评论（0）