Outlier-Resistant Heterogeneous Treatment Effect Estimation in HDLSS Settings via GAT--CVAE Framework
高维小样本下基于 GAT–CVAE 的抗异常值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：摘要明确以异质性处理效应为目标，混杂变量图本身不构成单位间干扰证据。
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
高维小样本下基于 GAT–CVAE 的抗异常值异质性处理效应估计
- 研究问题
- 在变量维度高而样本量小、且存在异常观测时，如何利用混杂变量间的结构形成稳定分组，并估计各组的异质性处理效应？
- 方法与思路
- 作者结合图注意力网络与条件变分自编码器学习表示、扩展样本空间并聚类，再使用双重稳健的抗异常值估计量估计组内因果效应。
- 材料陈述的贡献
- 摘要称，该框架可将异常观测纳入连贯子群，并在模拟与实际应用中优于已有异质性效应方法；摘要未提供具体比较幅度。
- 阅读关注点
- 应核对因果识别条件、图结构来源、样本空间扩展的实现，以及聚类与效应估计之间的数据使用方式和双重稳健性质的依据。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明识别假设、理论保证和评估设计，性能优势仅为作者陈述。
原文摘要
We introduce a robust framework for heterogeneous treatment effect (HTE) estimation tailored to high-dimensional low sample size (HDLSS) settings. By combining Graph Attention Networks (GAT) to capture structural dependencies among confounders with a Conditional Variational Autoencoder (CVAE) for latent representation learning, our method expands the sample space and performs clustering that integrates even outlier sets into coherent subgroups. Clusterwise causal effects are then estimated using a doubly robust outlier-resistant estimator, yielding stable and generalizable results. Simulations and real-world applications confirm superior performance compared with existing HTE methods, highlighting the framework's potential for precision medicine and policy evaluation.