我们提出了一种稳定的 Balanced Representation Learning with Hierarchical-Attention Paradigm (SBRL-HAP) 框架，通过消除选择性偏见和解决分布漂移问题，实现了稳定的异质性治疗效果估计，从而提高了模型在现实世界中的适用性。实验结果表明，与现有方法相比，我们的方法在跨越不同人群的稳定 HTE 估计上具有显著的效果改善。

Jul, 2024

在这篇论文中，我们采用最近引入的无结构统计下界框架，证明了双重稳健估计器在平均处理效应以及对待处理群体的平均处理效应方面的统计优越性，以及这些估计器的加权变体，这在政策评估中广泛应用。

Feb, 2024

应用机器学习方法解决高维数据下模型参数估计问题的方法被推广到了观测数据的平均处理效应估计，通过使用 Neyman-orthogonal scores 和交叉配对等技术进行设备参数的估计。

Jan, 2017

CBRNet 是一种用于估计观察数据中个体剂量响应的因果机器学习方法，通过平衡表示学习对连续值治疗剂量下选择偏差的克服来准确学习治疗效果，并在新提出的基准测试中表现出与其他最先进方法相当的性能。

Sep, 2023

通过对抗对照回归网络（ACFR）以 KL 散度为度量标准对数据集进行平衡，利用注意机制保持治疗价值对结果预测的影响，理论上证明 ACFR 的目标函数是反事实结果预测误差的上界，并在半合成数据集上实验评估中证明了 ACFR 相对于一系列其他最新方法的优越性。

Dec, 2023

本文提出一种基于正交性的正则化框架来估计平均治疗效果，并开发了基于此框架的深度正交网络来学习与治疗分配正交的结果，实验结果表明 DONUT 在估计平均治疗效果方面优于现有技术。

Jan, 2021

本文提供了针对丰富的数据环境中的各种处理效应，包括局部平均处理效应（LATE）和局部分位数处理效应（LQTE）的高效估计量和诚实置信区间。 我们的框架涵盖了处理的内生接收，异质性处理效应和函数值结果等特殊情况。

Nov, 2013

选择干预的决策取决于其潜在的利益或伤害与替代方案相比。通过观察性数据估计替代方案的可能结果是一个具有挑战性的问题，尽管深度核回归算法和后验正则化框架在多个基准数据集上表现优越，但我们发现学习输入的域不变表示的算法经常不合适，并开发以依赖于域重叠和强调需要可逆潜在映射的泛化界限。

Jan, 2020

提出了一种对条件平均处理效应（CATE）估计中维度约束引起的混淆偏差进行边界估计的新的、无关于表示的框架。

Nov, 2023

对于决策制定来说，估计个体对不同治疗剂量的潜在反应至关重要，尤其在精准医学和管理科学领域。本文通过学习与治疗变量独立的协变量表示来预测反事实结果，然而，这种独立性约束忽略了对于反事实预测有用的大量协变量信息，特别是在治疗变量是连续的情况下。为了解决这个问题，本文首先从理论上证明了平衡和预测表示在无偏估计异质剂量响应曲线方面的重要性，即学习得到的表示需满足协变量与两个治疗变量及潜在反应之间的条件独立性。基于此，我们提出了一种新颖的对比平衡表示学习网络，使用部分距离度量，称为 CRNet，用于估计异质剂量响应曲线，同时不丢失治疗剂量的连续性。我们在合成和真实世界数据集上进行了广泛实验，证明了我们的方法显著优于之前的方法。

Mar, 2024