Efficient and Robust Semi-supervised Estimation of ATE with Partially Annotated Treatment and Response
处理与结果仅部分标注时平均处理效应的高效稳健半监督估计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：摘要明确以电子病历中的混杂调整和平均处理效应估计为目标，因此归入因果推断；半监督机器学习本身不对应其他给定细分。
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…
关注这篇论文的作者
处理与结果仅部分标注时平均处理效应的高效稳健半监督估计
- 研究问题
- 电子病历中处理与结果的准确标签稀缺、但未标注样本丰富时，如何利用混杂变量及不完美代理特征估计平均处理效应？
- 方法与思路
- 作者推导平均处理效应的有效影响函数并构造 SMMAL 估计量，分别研究低维 B 样条模型与高维 logistic 模型下的估计性质。
- 材料陈述的贡献
- 摘要称，方法在低维光滑模型下达到半参数效率，并发展高维稀疏性与模型双重稳健估计；模拟支持有效性及相对监督基准的优势。
- 阅读关注点
- 应核对标注样本的抽取机制、代理特征如何使用、因果识别与效率条件，以及高维双重稳健性分别允许哪些模型或稀疏性偏离。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出完整标注与识别条件，模拟优势不能推广到任意电子病历数据。
原文摘要
A notable challenge of leveraging Electronic Health Records (EHR) for treatment effect assessment is the lack of precise information on important clinical variables, including the treatment received and the response. Both treatment information and response often cannot be accurately captured by readily available EHR features and require labor intensive manual chart review to precisely annotate, which limits the number of available gold standard labels on these key variables. We consider average treatment effect (ATE) estimation under such a semi-supervised setting with a large number of unlabeled samples containing both confounders and imperfect EHR features for treatment and response. We derive the efficient influence function for ATE and use it to construct a semi-supervised multiple machine learning (SMMAL) estimator. We showcase that our SMMAL estimator is semi-parametric efficient with B-spline regression under low-dimensional smooth models. We develop the adaptive sparsity/model doubly robust estimation under high-dimensional logistic propensity score and outcome regression models. Results from simulation studies support the validity of our SMMAL method and its superiority over supervised benchmarks.