arXiv cs.AI· Yonghan Jung, Shu Yang·· 9 天前AI 评分18
无需 OBS 特殊假设的预测驱动数据融合：AIPW-Fusion、DR-Fusion 与 R-Fusion 用于处理效应估计
Prediction-Powered Data Fusion for Treatment Effect Estimation
AI 导读
研究者提出一种数据融合框架，在不对观察性研究（OBS）做特殊假设的前提下，将小型随机对照试验（RCT）与大型 OBS 结合，在保留 RCT 估计无偏性的同时借助 OBS 提升精度。基于该框架构建了具有闭式权重与置信区间的 ATE 估计器 AIPW-Fusion，以及两个 CATE 学习器 DR-Fusion 和 R-Fusion。实验验证了上述方法的有效性，代码已公开。
正文 · AI 翻译
摘要：随机对照试验（RCT）能够识别无混杂的处理效应，但通常规模较小；而观察性研究（OBS）规模大，却可能存在混杂。目前已开发出许多将小型 RCT 与大型 OBS 相结合、用于估计平均处理效应（ATE）和条件平均处理效应（CATE）的估计量。然而，现有的 ATE 估计量要么对 OBS 作出假设，要么未能从中借用足够的效力。CATE 的研究比 ATE 更少。现有的 CATE 方法要么假设 OBS 无混杂，要么依赖混杂函数模型，要么以接受偏差来换取更低的方差。因此，我们提出一个框架：在不假设 OBS 具有特殊性质的情况下，通过保持基于 RCT 估计的无偏性，同时从大型 OBS 借用效力以提升精度，从而融合 OBS 与 RCT。应用这一原则，我们构建了一个 ATE 估计量 AIPW-Fusion，具有闭式权重和置信区间，以及两个 CATE 学习器 DR-Fusion 和 R-Fusion。实验验证了我们的发现。
| 评论： | 35 页。代码：此 https URL |
| 主题： | 机器学习（stat.ML）；人工智能（cs.AI）；机器学习（cs.LG）；方法论（stat.ME） |
| 引用为： | arXiv:2610.12332 [stat.ML] |
| （或 arXiv:2610.12332v1 [stat.ML] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.12332 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Yonghan Jung [查看电子邮件]
[v1]
2026 年 10 月 8 日星期四 17:11:49 UTC（501 KB）
来源：arXiv cs.AI · arxiv.org