ACE: Active Learning for Causal Inference with Expensive Experiments
ACE：昂贵实验中因果推断的主动学习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：摘要围绕自适应实验设计与平均、已处理者及个体处理效应的估计展开。
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
ACE：昂贵实验中因果推断的主动学习
- 研究问题
- 当实验成本高且可依次选择实验单位或处理时，如何依据已有结果调整实验设计，提高目标因果效应的估计表现？
- 方法与思路
- 作者以高斯过程建模条件均值，并构造最小化目标因果估计量后验方差的采集函数，指导实验单位和处理的序贯选择。
- 材料陈述的贡献
- 摘要称 ACE 可针对平均处理效应、已处理者平均效应及个体效应设计实验，并在有限实验次数下优于所比较的基准。
- 阅读关注点
- 应核对目标总体和估计量定义、实验选择与处理分配规则，以及后验不确定性在自适应设计下的校准和比较条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明识别条件、先验设置或数值优势，不能推断普遍优越性。
原文摘要
Experiments are the gold standard for causal inference. In many applications, experimental units can often be recruited or chosen sequentially, and the adaptive execution of such experiments may offer greatly improved inference of causal quantities over non-adaptive approaches, particularly when experiments are expensive. We thus propose a novel active learning method called ACE (Active learning for Causal inference with Expensive experiments), which leverages Gaussian process modeling of the conditional mean functions to guide an informed sequential design of costly experiments. In particular, we develop new acquisition functions for sequential design via the minimization of the posterior variance of a desired causal estimand. Our approach facilitates targeted learning of a variety of causal estimands, such as the average treatment effect (ATE), the average treatment effect on the treated (ATTE), and individualized treatment effects (ITE), and can be used for adaptive selection of an experimental unit and/or the applied treatment. We then demonstrate in a suite of numerical experiments the improved performance of ACE over baseline methods for estimating causal estimands given a limited number of experiments.