个体治疗效果的预测推理的共形元学习器
利用条件平均治疗效果 (CATE) 估计器的一种新方法,结合符合性预测系统、蒙特卡罗采样和 CATE 元学习,以提供在个体化决策中使用的预测分布,并展示噪声分布的特定假设会对不确定性预测产生重大影响,然而,CMC 框架在保持小间隔宽度的同时显示出强大的实验覆盖能力,以提供对真实个体治疗效果的估计。
Feb, 2024
本文研究了针对多值处理的异质效应的元学习方法,考虑不同的元学习算法,以及它们在不同的参数下的误差上界,提出并讨论了能够适用于不同处理多样性的方法,并使用合成半合成数据集验证了这些方法的优劣。
May, 2022
本篇研究提出了一种基于符合性推断的方法,用于在潜在结果框架下产生反事实和个体治疗效果的可靠区间估计,适用于完全随机或分层随机试验,以及遵循强忽略性假设的一般观测研究。同时,该方法在机器学习算法的条件平均治疗效应估计上表现出了良好的优势。
Jun, 2020
介绍了一种利用机器学习和统计学中的任何监督式学习或回归方法来估计条件平均处理效应(CATE)函数的元算法,其中包括一种新的元学习者 X-learner,通过广泛的模拟研究和两个政治学实验表明该算法的有效性和应用。
Jun, 2017
本文提出了一种使用神经网络进行元学习的方法来估计少量观测数据下的条件平均处理效应(CATE),该方法将 CATE 估计问题分解成多个子问题,并使用共享和特定于任务的参数的神经网络来建立估计模型,以实现有效的元学习。实验结果表明,这种方法在元学习和 CATE 估计方面优于现有的方法。
May, 2023
个性化决策需要对不同处理方法下的潜在结果有所了解,并且关于潜在结果的置信区间能够丰富决策过程并提高其在高风险场景下的可靠性。本研究提出了一种基于推断加权拟合预测的新方法 wTCP-DR,他能够在存在隐性混淆的情况下提供对反事实结果的置信区间,并具备边际收敛保证。通过访问部分干预数据,我们的方法能够解决观测分布和干预分布之间的协变量转移问题。理论结果明确表明了我们的算法相对于只使用干预数据的朴素方法的条件优势。在确保反事实置信区间有效之后,构造个别处理效应的区间是直接的。我们通过合成数据和真实世界数据验证了我们的方法的优越性,其中包括推荐系统,并与现有最先进方法进行了比较,结果在覆盖率和效率两方面都表现出优势。
May, 2024
本研究论述了一些治疗效果评估的方法,探究了不同的元学习策略并以神经网络为基础,旨在构建更好的条件 / 环境下,使某些学习者的表现优于其他学习者的认识。
Jan, 2021
条件推断是一种基本且多用途的工具,为许多机器学习任务提供无分布保证。我们考虑转导设置,在该设置中,根据 $m$ 个新点的测试样本做出决策,产生 $m$ 个整合 p 值。我们表明它们的联合分布遵循一个 Pólya 陶壶模型,并为它们的经验分布函数建立浓度不等式。
Oct, 2023