Uplift Model Championship: Testing S-learner, T-learner, X-learner, and Causal Forest on Synthetic and Semi-Synthetic Data with PEHE Metric

Авитоのアナリスト、グリシャ・クリュコフ氏が、個人効果（uplift）を評価するための4つのアップリフトモデル — S-learner、T-learner、X-learner、Causal Forest — によるチャンピオンシップを開催しました。すべてのモデルはデフォルト設定の勾配ブースティングを使用しました。トーナメントは、真の効果が構造上既知である合成データでのグループステージと、実際のタスクに近づけるための半合成データで構成されました。品質はPEHEメトリック（Heterogeneous Effectの推定の精度）で測定され、これにより個人因果効果の予測誤差を公正に計算できます。S-learnerは、介入フラグを特徴量としてすべてのデータで1つのモデルを学習します。T-learnerは介入群と非介入群で2つの別々のモデルを構築します。X-learnerはさらに疑似効果とプロペンシティモデルを加重に使用します。Causal Forestは、介入効果の差を最大化する分割を最適化する木のアンサンブルです。記事では、不均衡に対する感度や計算の複雑さなど、各アーキテクチャの強みと弱みについても議論されています。