Hybrid Meta-learners for Estimating Heterogeneous Treatment Effects
估计异质性处理效应的混合元学习器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：摘要明确研究观测数据中的条件平均处理效应及其异质性估计，正则化策略服务于因果效应学习。
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…
估计异质性处理效应的混合元学习器
- 研究问题
- 观测数据中的条件平均处理效应估计，如何根据潜在结果函数与效应函数的复杂程度，协调直接和间接正则化？
- 方法与思路
- 作者提出 H-learner，通过学习差值接近条件平均处理效应的中间函数，在直接效应正则化与潜在结果正则化之间插值。
- 材料陈述的贡献
- 摘要称允许潜在结果拟合不充分可改善效应估计的偏差方差权衡，所用基准实验显示该方法处于性能的帕累托前沿。
- 阅读关注点
- 核对混合程度如何由数据确定、中间函数的优化目标，以及实验比较是否采用一致调参并覆盖不同函数复杂度。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未获核实；摘要未说明识别假设或具体误差保证，基准表现不能外推为普遍优势。
原文摘要
Estimating conditional average treatment effects (CATE) from observational data involves modeling decisions that differ from supervised learning, particularly concerning how to regularize model complexity. Previous approaches can be grouped into two primary "meta-learner" paradigms that impose distinct inductive biases. Indirect meta-learners first fit and regularize separate potential outcome (PO) models and then estimate CATE by taking their difference, whereas direct meta-learners construct and directly regularize estimators for the CATE function itself. Neither approach consistently outperforms the other across all scenarios: indirect learners perform well when the PO functions are simple, while direct learners outperform when the CATE is simpler than individual PO functions. In this paper, we introduce the Hybrid Learner (H-learner), a novel regularization strategy that interpolates between the direct and indirect regularizations depending on the dataset at hand. The H-learner achieves this by learning intermediate functions whose difference closely approximates the CATE without necessarily requiring accurate individual approximations of the POs themselves. We demonstrate that intentionally allowing suboptimal fits to the POs improves the bias-variance tradeoff in estimating CATE. Experiments conducted on semi-synthetic and real-world benchmark datasets illustrate that the H-learner consistently operates at the Pareto frontier, effectively combining the strengths of both direct and indirect meta-learners.