Treatment Effect Learning Under Sequential Randomization
序贯随机化下的处理效应学习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：摘要明确研究序贯随机分配、处理延续效应及基于 G 公式的因果学习。
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…
关注这篇论文的作者
序贯随机化下的处理效应学习
- 研究问题
- 在线实验中，当前会话的处理可能影响后续会话及最终结果，如何在这种累积与延续效应下进行处理效应学习？
- 方法与思路
- 作者将 T-Learner 嵌入 G 公式，结合因果机器学习和序贯识别思路，处理会话间依赖，并通过简单模拟展示方法表现。
- 材料陈述的贡献
- 摘要称，该方法在存在处理延续效应时避免了模拟中的精度衰减，强调识别和推断设计需要匹配在线系统的时间依赖结构。
- 阅读关注点
- 应核对序贯随机化及处理历史的定义、最终效应目标、G 公式与学习器的组合方式，以及是否提供相应的不确定性量化。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要仅报告简单模拟，未说明完整识别条件、推断保证或真实在线实验验证。
原文摘要
Sequential treatment assignments in online experiments lead to complex dependency structures, often rendering identification, estimation and inference over treatments a challenge. Treatments in one session (e.g., a user logging on) can have an effect that persists into subsequent sessions, leading to cumulative effects on outcomes measured at a later stage. This can render standard methods for identification and inference trivially misspecified. We propose T-Learners layered into the G-Formula for this setting, building on literature from causal machine learning and identification in sequential settings. In a simple simulation, this approach prevents decaying accuracy in the presence of carry-over effects, highlighting the importance of identification and inference strategies tailored to the nature of systems often seen in the tech domain.