Orthogonal Uplift Learning with Permutation-Invariant Representations for Combinatorial Treatments
基于置换不变表征的组合处理正交增量效应学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以条件处理效应和随机实验中的政策增量效应为目标，因此归入因果推断，未提供其他细分方向的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于置换不变表征的组合处理正交增量效应学习
- 研究问题
- 当干预是随情境变化的行动分布时，如何估计其条件因果增量效应，并改善稀有政策及新部署政策下的泛化与稳定性？
- 方法与思路
- 作者以政策诱导的情境—行动混合构造置换不变表征，将其纳入正交化低秩模型，把 Robinson 式分解扩展至学习得到的向量处理。
- 材料陈述的贡献
- 摘要称该估计器具有政策因果效应表达能力、对辅助估计误差的正交稳健性及政策扰动稳定性，并报告随机平台数据中的精度改善。
- 阅读关注点
- 应核对向量处理表征如何对应因果目标、学习表征与正交化如何结合，以及理论条件和长尾政策实验是否支持对新政策的外推。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未说明识别条件、误差界及改善幅度，不能据此判断跨平台泛化能力。
原文摘要
We study uplift estimation for combinatorial treatments. Uplift measures the pure incremental causal effect of an intervention (e.g., sending a coupon or a marketing message) on user behavior, modeled as a conditional individual treatment effect. Many real-world interventions are combinatorial: a treatment is a policy that specifies context-dependent action distributions rather than a single atomic label. Although recent work considers structured treatments, most methods rely on categorical or opaque encodings, limiting robustness and generalization to rare or newly deployed policies. We propose an uplift estimation framework that aligns treatment representation with causal semantics. Each policy is represented by the mixture it induces over contextaction components and embedded via a permutation-invariant aggregation. This representation is integrated into an orthogonalized low-rank uplift model, extending Robinson-style decompositions to learned, vector-valued treatments. We show that the resulting estimator is expressive for policy-induced causal effects, orthogonally robust to nuisance estimation errors, and stable under small policy perturbations. Experiments on large-scale randomized platform data demonstrate improved uplift accuracy and stability in long-tailed policy regimes