Budgeted Active Experimentation for Treatment Effect Estimation from Observational and Randomized Data
结合观察与随机数据的预算约束主动实验：处理效应估计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：摘要直接研究观察数据与随机试验结合时的异质性处理效应估计、重叠问题和主动实验设计，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…
关注这篇论文的作者
结合观察与随机数据的预算约束主动实验：处理效应估计
- 研究问题
- 在随机试验预算有限、历史观察数据存在政策诱导失衡和重叠缺失时，如何选择实验单位以改善异质性处理效应估计？
- 方法与思路
- 作者提出迭代主动实验框架，利用观察数据先验构造采集函数，综合效应估计不确定性、重叠缺口与域差异选择随机实验单位。
- 材料陈述的贡献
- 摘要称建立有限样本偏差界、鞅中心极限定理下的渐近正态性及极小极大下界，并报告工业数据中优于标准随机基准。
- 阅读关注点
- 应核对采集函数和预算分配规则、观察先验偏差的处理方式，以及最优性对应的模型类、损失函数和基准实验设计。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明理论条件或比较数值，不能验证其最优性及普遍优越性。
原文摘要
Estimating heterogeneous treatment effects is central to data-driven decision-making, yet industrial applications often face a fundamental tension between limited randomized controlled trial (RCT) budgets and abundant but biased observational data collected under historical targeting policies. Although observational logs offer the advantage of scale, they inherently suffer from severe policyinduced imbalance and overlap violations, rendering standalone estimation unreliable. We propose a budgeted active experimentation framework that iteratively enhances model training for causal effect estimation via active sampling. By leveraging observational priors, we develop an acquisition function targeting uplift estimation uncertainty, overlap deficits, and domain discrepancy to select the most informative units for randomized experiments. We establish finite-sample deviation bounds, asymptotic normality via martingale Central Limit Theorems (CLTs), and minimax lower bounds to prove information-theoretic optimality. Extensive experiments on industrial datasets demonstrate that our approach significantly outperforms standard randomized baselines in cost-constrained settings.