CURLS: Causal Rule Learning for Subgroups with Significant Treatment Effect
CURLS：具有显著处理效应的子群因果规则学习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：摘要直接研究异质性处理效应及具有较强处理效应的可解释子群发现。
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…
CURLS：具有显著处理效应的子群因果规则学习
- 研究问题
- 如何把异质性处理效应估计转化为明确、可解释的子群规则，并在寻找较强处理效应时兼顾估计方差和规则复杂度？
- 方法与思路
- 作者将因果规则学习写成离散优化问题，平衡处理效应、方差与可解释性，使用 minorize-maximization 迭代求解次模下界近似。
- 材料陈述的贡献
- 摘要称，CURLS 在所用实验中找到效应更高、方差更小的子群，同时保持相近或更好的估计准确性和规则可解释性。
- 阅读关注点
- 应核对规则目标函数、下界近似与优化保证、真实效应的评估来源，以及子群搜索后的显著性判断和独立验证方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要所报改善只对应其比较设置，未说明识别假设及搜索后推断是否有效。
原文摘要
In causal inference, estimating heterogeneous treatment effects (HTE) is critical for identifying how different subgroups respond to interventions, with broad applications in fields such as precision medicine and personalized advertising. Although HTE estimation methods aim to improve accuracy, how to provide explicit subgroup descriptions remains unclear, hindering data interpretation and strategic intervention management. In this paper, we propose CURLS, a novel rule learning method leveraging HTE, which can effectively describe subgroups with significant treatment effects. Specifically, we frame causal rule learning as a discrete optimization problem, finely balancing treatment effect with variance and considering the rule interpretability. We design an iterative procedure based on the minorize-maximization algorithm and solve a submodular lower bound as an approximation for the original. Quantitative experiments and qualitative case studies verify that compared with state-of-the-art methods, CURLS can find subgroups where the estimated and true effects are 16.1% and 13.8% higher and the variance is 12.0% smaller, while maintaining similar or better estimation accuracy and rule interpretability. Code is available at https://osf.io/zwp2k/.