Transfer Learning for Individual Treatment Effect Estimation
个体处理效应估计的迁移学习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：摘要直接研究反事实信息约束下的个体处理效应估计与跨任务迁移，因此归入因果推断。
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…
个体处理效应估计的迁移学习
- 研究问题
- 当目标任务数据有限且个体反事实不可观测时，能否从其他任务迁移因果知识，以改善目标任务的个体处理效应估计？
- 方法与思路
- 作者推导目标任务误差下界及反事实损失、处理效应误差的泛化上界，并用因果推断任务亲近度选择来源任务进行迁移。
- 材料陈述的贡献
- 摘要称，上下界分析说明迁移的困难与可行性；所提框架在经验研究中使所需数据量最多减少95%，适用范围仍需核对。
- 阅读关注点
- 应核对跨任务迁移所需假设、上下界中的误差定义、亲近度如何估计，以及数据节约比例对应的基准和实验设置。
- 阅读边界
- 这是arXiv预印本，同行评审或接收未核实；摘要未说明识别条件和实验细节，95%的数据节约不能视为普遍保证。
原文摘要
This work considers the problem of transferring causal knowledge between tasks for Individual Treatment Effect (ITE) estimation. To this end, we theoretically assess the feasibility of transferring ITE knowledge and present a practical framework for efficient transfer. A lower bound is introduced on the ITE error of the target task to demonstrate that ITE knowledge transfer is challenging due to the absence of counterfactual information. Nevertheless, we establish generalization upper bounds on the counterfactual loss and ITE error of the target task, demonstrating the feasibility of ITE knowledge transfer. Subsequently, we introduce a framework with a new Causal Inference Task Affinity (CITA) measure for ITE knowledge transfer. Specifically, we use CITA to find the closest source task to the target task and utilize it for ITE knowledge transfer. Empirical studies are provided, demonstrating the efficacy of the proposed method. We observe that ITE knowledge transfer can significantly (up to 95%) reduce the amount of data required for ITE estimation.