通过学习多准确性预测器,我们提出了一种方法,用于在部署时解决未知协变量转变,从而改善异质处理效应预测,并在因果推断和机器学习中取得了令人满意的结果。
May, 2024
本文考察了异质性效应估计中条件平均处理效应的方法,并尝试分析了它们的最优性与局限性,提出了一种局部多项式适应的双重残差回归方法,可以在更弱的条件下实现最优效果。
Apr, 2020
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
本文提出了一种基于深度学习的框架,用于训练通过软权重共享的超网络实现不同处理组之间的动态端到端信息共享,并解决了现有 CATE 学习者在训练时需要将数据拆分为潜在结果函数的问题,增加了新型的不确定性感知 CATE 学习者类 HyperCATE,实验结果表明,该框架通过反事实推理改进了 CATE 估计误差,对较小数据集的效果更加显著。
研究因果推断中的模型选择问题,特别是针对二元处理条件下的条件平均处理效应(CATE)估计问题。作者设计了一种不依赖反事实数据的模型选择技术,并通过广泛实证分析验证了各种代理度量标准在真实数据集上的性能表现。
Nov, 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
本文研究了试验或观察研究中估计因果效应异质性的问题以及在子群体之间进行处理效应差异大小的推断。提出了一种新的交叉验证标准来确定因果效应的预测是否准确,并将该方法应用于一个大规模的针对搜索引擎的实验。
Apr, 2015
为了解决条件平均处理效应估计器选择的挑战,本文引入了一种新的方法,即分布鲁棒度量(DRM),该方法不仅消除了需要拟合附加模型的需求,而且在选择强健的 CATE 估计器方面表现出色。实验研究证明了 DRM 方法的效力,展示了其在识别优越估计器的同时减轻选择劣质估计器的风险的一致效果。
Feb, 2024
本研究提出了一种能够学习条件平均治疗效果的函数区间估计器,通过加权核估计与对手模型,实现了在实际未观测混淆下,对个体因果效应的预测,并且通过个性化决策规则,实现了渐近无遗憾的最优性能。
Oct, 2018