arXiv cs.AI· Zeqin Yang, Weilin Chen, Ruichu Cai, Yuguang Yan, Zhifeng Hao, Zhipeng Yu, Zhichao Zou, Jixing Xu, Zhen Peng, Jiecheng Guo·· 14 小时前AI 评分18
利用最优传输权重估计长期异质剂量反应曲线及其泛化界
Estimating Long-term Heterogeneous Dose-response Curve: Generalization Bound Leveraging Optimal Transport Weights
AI 导读
研究提出一种在存在未观测混杂因素和连续处理条件下估计长期异质剂量反应曲线（HDRC）的方法，通过最优传输加权框架将长期观测数据与辅助短期实验数据对齐。基于重加权分布建立了反事实预测误差的泛化界，并据此构建长期 HDRC 估计器。合成与半合成数据集实验验证了该方法的有效性。
正文 · AI 翻译
摘要：长期治疗效果估计在许多应用中是一个重要但具有挑战性的问题。现有方法依赖理想假设，例如不存在未观测混杂因素或处理为二值，来估计长期平均治疗效果。然而，在许多现实应用中，这些假设可能被违反，且平均治疗效果不足以支持个性化决策。本文研究一个更一般的问题：在考虑未观测混杂因素和连续处理的情况下，估计长期异质性剂量-反应曲线（HDRC）。具体而言，为消除长期观测数据中的未观测混杂因素，我们引入最优传输加权框架，将长期观测数据与辅助的短期实验数据对齐。此外，为准确预测连续处理的异质性效应，我们利用最优传输诱导的重加权分布，建立了反事实预测误差的泛化界。最后，基于上述理论基础，我们开发了长期 HDRC 估计器。在合成和半合成数据集上的大量实验证明了我们方法的有效性。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2406.19195 [cs.LG] |
| （或 arXiv:2406.19195v4 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2406.19195 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zeqin Yang [查看邮箱]
[v1]
2024年6月27日星期四 14:13:46 UTC（1,304 KB）
[v2]
2025年5月16日星期五 07:28:31 UTC（1,319 KB）
[v3]
2025年10月22日星期三 13:52:31 UTC（1,131 KB）
[v4]
2026年10月26日星期一 09:12:07 UTC（1,168 KB）
来源：arXiv cs.AI · arxiv.org