GCF: Generalized Causal Forest for Heterogeneous Treatment Effect Estimation in Online Marketplace
广义因果森林：在线市场中的异质性处理效应估计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：摘要明确研究连续处理的剂量反应函数与异质性处理效应，直接属于因果推断。
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…
广义因果森林：在线市场中的异质性处理效应估计
- 研究问题
- 面对价格、时长等连续处理，如何在不预设结果与处理之间参数关系的情况下，估计在线市场中的异质性处理效应？
- 方法与思路
- 作者使用核方法构造双重稳健估计量以恢复非参数剂量反应函数，并提出基于距离的分裂准则识别连续处理异质性。
- 材料陈述的贡献
- 摘要称方法拓展了因果森林的连续处理应用，给出渐近性质，并报告模拟、真实数据比较及定价系统在线A/B测试。
- 阅读关注点
- 应核对连续处理效应的识别条件、双重稳健性的具体含义、带宽与分裂规则，以及在线实验的比较设计和效应口径。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未核实；摘要未给出识别条件和实验数值，所称优势不能据此独立确认。
原文摘要
Uplift modeling is a rapidly growing approach that utilizes causal inference and machine learning methods to directly estimate the heterogeneous treatment effects, which has been widely applied to various online marketplaces to assist large-scale decision-making in recent years. The existing popular models, like causal forest (CF), are limited to either discrete treatments or posing parametric assumptions on the outcome-treatment relationship that may suffer model misspecification. However, continuous treatments (e.g., price, duration) often arise in marketplaces. To alleviate these restrictions, we use a kernel-based doubly robust estimator to recover the non-parametric dose-response functions that can flexibly model continuous treatment effects. Moreover, we propose a generic distance-based splitting criterion to capture the heterogeneity for the continuous treatments. We call the proposed algorithm generalized causal forest (GCF) as it generalizes the use case of CF to a much broader setting. We show the effectiveness of GCF by deriving the asymptotic property of the estimator and comparing it to popular uplift modeling methods on both synthetic and real-world datasets. We implement GCF on Spark and successfully deploy it into a large-scale online pricing system at a leading ride-sharing company. Online A/B testing results further validate the superiority of GCF.