关于classifier normalize？

[An_idi0t]

你好，看了您的paper受益匪浅。
这边有个问题想问一下，paper中提到，借鉴propensity score的**，对logit进行normalize。不知道这个是什么原理呢?如果不加normalize对de-confound的影响大吗？

[Kaihua Tang]

可以参考“An Introduction to Propensity Score Methods for Reducing the Effects of Confounding in Observational Studies”这篇文章。如果不用normalization相当于de-confound不彻底，会导致之后TDE不work，即，因为confound path的存在，所以得不到direct effect

[An_idi0t]

follow了一下，所以您是将当前观测到的样本当作是从do(x)之后的distribution中采样来的，因此给他们赋予了一个$weight = 1/P(x|M=m)$对吧？那为什么P(x|M=m) 可以近似为 L2-norm呢？这是基于什么得出的呢？

[Kaihua Tang]

关于怎么设计这个normalization，我们还是偏经验主义。因为Propensity Score的**只告诉我们需要对effect做balancing，但具体怎么设计其实是很开放的。

[sky186]

@KaihuaTang
您好，您有试过 例如加入 circle loss ,数据不平衡的训练中加入该CausalNormClasseifer， 因为您的论文中有特征图的可视化，发现学习到的特征图更紧凑， 所以考虑 是否可以加入CausalNormClasseifer 分支 当作辅助训练，

[Kaihua Tang]

@KaihuaTang
您好，您有试过 例如加入 circle loss ,数据不平衡的训练中加入该CausalNormClasseifer， 因为您的论文中有特征图的可视化，发现学习到的特征图更紧凑， 所以考虑 是否可以加入CausalNormClasseifer 分支 当作辅助训练，

我没有试过，听起来好像挺靠谱的。你可以试一下看work不work

[sky186]

@KaihuaTang
好的，我试一下，然后反馈一下。
我是直接加一个 CausalNormClasseifer + crosse+entropy loss, 使用它有什么超参数需要注意的吗？