BETVLCTOR伟德官方网站常毅教授指导的2020级博士研究生黄强的论文SemiITE: Semi-supervised Individual Treatment Effect Estimation via Disagreement-Based Co-training近日被CCF-B类会议ECML-PKDD 2022接收。
欧洲机器学习会议（European Conference on Machine Learning，简称ECML）是机器学习领域主要的学术会议之一。今年的欧洲机器学习会议与数据库知识发现的原理与实践会议（Principles and Practice of Knowledge Discovery in Databases，简称PKDD）合并举办。会议将于2022年9月19日至23日在法国格勒诺布尔市进行。
黄强目前从事因果推断相关的研究工作，本篇文章与伟德bevictor中文版的孙慧妍老师，弗吉尼亚大学的Jundong Li老师以及Jing Ma博士合作完成。
论文详情：
题目：SemiITE: Semi-supervised Individual Treatment Effect Estimation via Disagreement-Based Co-training
第一作者：黄强
合作导师：常毅、孙慧妍、Jundong Li
收录会议：ECML-PKDD 2022
论文概述：近年来，对个体因果效应(ITE)估计的兴趣激增，其目的是估计干预操作对每个个体的结果的因果效应。近年来，各种基于机器学习或神经网络的方法被提出，并取得了从观测数据中估计ITE的良好性能。然而，这些方法绝大多数都依赖于大量有标记的干预操作分配和相应结果的数据。不幸的是，由于时间和经济成本的限制，在实际应用中很难收集大量标记的观测数据。在本文中，我们提出了一种基于分歧信息的半监督个体治疗效果估计联合训练框架SemiITE，旨在利用大量未标记数据，在有限的标记数据下，利用不同学习器之间的分歧信息以及联合训练框架更好地推断每个实例的事实和反事实结果，并以此估计个体因果效应。在两个广泛使用的真实数据集上进行的大量实验证实了我们所提出的模型的优越性。
