Task-specific experimental design for treatment effect estimation
面向特定任务的处理效应估计实验设计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：摘要直接研究处理效应估计与因果实验的采样设计。
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
面向特定任务的处理效应估计实验设计
- 研究问题
- 当实验成本较高且处理效应用于不同下游决策时，如何按具体应用设计采样策略，以减少实验所需的数据量？
- 方法与思路
- 作者提出面向任务的实验设计框架，推导针对不同下游应用的采样策略，并在多类任务、真实数据和样本规模上比较表现。
- 材料陈述的贡献
- 摘要称方法在所考察任务中优于基准，并在定向营销任务中以约少一个数量级的数据达到随机对照试验的表现。
- 阅读关注点
- 应核对任务目标如何转化为采样准则、处理分配与效应估计的关系，以及数据效率比较使用的误差指标和实验条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实。摘要未说明识别条件、采样细节或推断保证，数据节省不能直接外推。
原文摘要
Understanding causality should be a core requirement of any attempt to build real impact through AI. Due to the inherent unobservability of counterfactuals, large randomised trials (RCTs) are the standard for causal inference. But large experiments are generically expensive, and randomisation carries its own costs, e.g. when suboptimal decisions are trialed. Recent work has proposed more sample-efficient alternatives to RCTs, but these are not adaptable to the downstream application for which the causal effect is sought. In this work, we develop a task-specific approach to experimental design and derive sampling strategies customised to particular downstream applications. Across a range of important tasks, real-world datasets, and sample sizes, our method outperforms other benchmarks, e.g. requiring an order-of-magnitude less data to match RCT performance on targeted marketing tasks.