Consistent Labeling Across Group Assignments: Variance Reduction in Conditional Average Treatment Effect Estimation
跨组分配的一致标记：降低条件平均治疗效应估计方差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：摘要明确以条件平均治疗效应估计及其误差为对象，并提出通用调整方法，直接属于因果推断。
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
跨组分配的一致标记：降低条件平均治疗效应估计方差
- 研究问题
- 同一个体在不同组分配下出现学习行为不一致，是否增加条件平均治疗效应的测试误差，以及如何在现有算法中减少这种问题？
- 方法与思路
- 作者提出衡量与可视化跨组学习不一致性的指标，分析其与测试误差的关系，并以 CLAGA 方法统一不同组分配下的标记。
- 材料陈述的贡献
- 摘要称，不一致性会增加测试误差，常规机器学习技术不能消除该问题；CLAGA 可用于既有 CATE 算法，实验显示性能改善。
- 阅读关注点
- 应核对组分配和一致标记的精确定义、理论误差分解，以及方法如何适配不同估计器，是否引入额外信息或改变因果目标。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明识别前提和算法适用条件，对任意 CATE 算法的适用性仍需核对。
原文摘要
Numerous algorithms have been developed for Conditional Average Treatment Effect (CATE) estimation. In this paper, we first highlight a common issue where many algorithms exhibit inconsistent learning behavior for the same instance across different group assignments. We introduce a metric to quantify and visualize this inconsistency. Next, we present a theoretical analysis showing that this inconsistency indeed contributes to higher test errors and cannot be resolved through conventional machine learning techniques. To address this problem, we propose a general method called \textbf{Consistent Labeling Across Group Assignments} (CLAGA), which eliminates the inconsistency and is applicable to any existing CATE estimation algorithm. Experiments on both synthetic and real-world datasets demonstrate significant performance improvements with CLAGA.