Deep Learning of Continuous and Structured Policies for Aggregated Heterogeneous Treatment Effects
聚合异质性处理效应下连续与结构化政策的深度学习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：摘要围绕个体、平均和异质性处理效应构建多因素政策学习与排序方法，最直接对应因果推断中的政策学习。
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…
聚合异质性处理效应下连续与结构化政策的深度学习
- 研究问题
- 当处理政策包含连续强度与多个离散因素时，如何定义个体及平均处理效应，并依据聚合异质性效应直接排序对象？
- 方法与思路
- 作者推导多政策变量的效应函数，构建神经网络增强的朴素贝叶斯层，在因子假设下处理连续变量、处理分配和排序。
- 材料陈述的贡献
- 摘要提出多因素政策效应建模与直接排序框架，并称公共数据集实验展示性能改善，但未给出具体指标和幅度。
- 阅读关注点
- 应核对多政策效应的因果定义与识别条件、朴素贝叶斯因子假设的适用性，以及排序目标和实验比较是否匹配。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明混杂控制或识别假设，预测和排序改善不自动保证因果有效性。
原文摘要
As estimation of Heterogeneous Treatment Effect (HTE) is increasingly adopted across a wide range of scientific and industrial applications, the treatment action space can naturally expand, from a binary treatment variable to a structured treatment policy. This policy may include several policy factors such as a continuous treatment intensity variable, or discrete treatment assignments. From first principles, we derive the formulation for incorporating multiple treatment policy variables into the functional forms of individual and average treatment effects. Building on this, we develop a methodology to directly rank subjects using aggregated HTE functions. In particular, we construct a Neural-Augmented Naive Bayes layer within a deep learning framework to incorporate an arbitrary number of factors that satisfies the Naive Bayes assumption. The factored layer is then applied with continuous treatment variables, treatment assignment, and direct ranking of aggregated treatment effect functions. Together, these algorithms build towards a generic framework for deep learning of heterogeneous treatment policies, and we show their power to improve performance with public datasets.