Robust X-Learner: Breaking the Curse of Imbalance and Heavy Tails via Robust Cross-Imputation
稳健 X-Learner：用稳健交叉插补应对不平衡与厚尾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：摘要明确研究异质性处理效应估计及 X-Learner 的稳健改进。
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
稳健 X-Learner：用稳健交叉插补应对不平衡与厚尾
- 研究问题
- 当处理组规模严重不平衡且结果厚尾时，X-Learner 的交叉插补是否会扩散少数极端观测的影响，如何稳定异质性效应估计？
- 方法与思路
- 作者将具有回降性质的 γ 散度目标融入梯度提升，在高斯设定下联系 Welsch 损失，并用基于 MM 的代理 Hessian 稳定优化。
- 材料陈述的贡献
- 摘要提出 RX-Learner，并报告其在半合成 Criteo Uplift 数据上的 PEHE 较标准 X-Learner 降低了 98.6%。
- 阅读关注点
- 应核对稳健损失是否仍对应目标条件平均处理效应、异常值生成方式、超参数选择，以及比较公平性和非凸优化稳定性。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；所报改善限于半合成实验，摘要未说明识别假设与理论保证。
原文摘要
Estimating Heterogeneous Treatment Effects (HTE) in industrial applications such as AdTech and healthcare presents a dual challenge: extreme class imbalance and heavy-tailed outcome distributions. While the X-Learner framework effectively addresses imbalance through cross-imputation, we demonstrate that it is fundamentally vulnerable to "Outlier Smearing" when reliant on Mean Squared Error (MSE) minimization. In this failure mode, the bias from a few extreme observations ("whales") in the minority group is propagated to the entire majority group during the imputation step, corrupting the estimated treatment effect structure. To resolve this, we propose the Robust X-Learner (RX-Learner). This framework integrates a redescending γ-divergence objective -- structurally equivalent to the Welsch loss under Gaussian assumptions -- into the gradient boosting machinery. We further stabilize the non-convex optimization using a Proxy Hessian strategy grounded in Majorization-Minimization (MM) principles. Empirical evaluation on a semi-synthetic Criteo Uplift dataset demonstrates that the RX-Learner reduces the Precision in Estimation of Heterogeneous Effect (PEHE) metric by 98.6% compared to the standard X-Learner, effectively decoupling the stable "Core" population from the volatile "Periphery".