Kernel Treatment Effects with Adaptively Collected Data
自适应采集数据下的核处理效应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：摘要研究自适应实验的处理效应，并以核表示比较干预结果分布及高阶矩差异。
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…
自适应采集数据下的核处理效应
- 研究问题
- 处理分配依据既往结果调整时，如何对干预结果的整体分布差异开展有效推断，并捕捉均值之外的高阶矩变化？
- 方法与思路
- 作者用双重稳健的 RKHS 得分表示分布效应，在一折学习见证函数，另一折通过投影和序贯归一化的标量统计量进行推断。
- 材料陈述的贡献
- 摘要称提出适用于自适应数据采集的核分布推断框架，控制第一类错误，实验显示其可检测均值及高阶矩差异且校准良好。
- 阅读关注点
- 应核对自适应分配的限制、双重稳健条件、分折如何处理时间依赖，以及核函数和见证函数学习对检验有效性与功效的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出有效性条件及实验数值，优于标量基线的陈述仅限作者比较情境。
原文摘要
Adaptive experiments improve efficiency by adjusting treatment assignments based on past outcomes, but this adaptivity breaks the i.i.d.\ assumptions that underpin classical asymptotics. At the same time, many questions of interest are distributional, extending beyond average effects. Kernel treatment effects (KTE) provide a flexible framework by representing interventional outcome distributions in an RKHS and comparing them via kernel distances. We present the first kernel-based framework for distributional inference under adaptive data collection. Our method combines doubly robust RKHS scores with a witness function learned on one fold, and performs inference on a second fold using a projected, sequentially normalized scalar statistic with valid type-I error. Experiments show that the resulting procedure is well calibrated and effective for both mean shifts and higher-moment differences, outperforming adaptive baselines limited to scalar effects.