Using representation balancing to learn conditional-average dose responses from clustered data
利用表征平衡学习聚类数据中的条件平均剂量反应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：摘要研究观察数据中的干预剂量反应及因果估计，而聚类描述不足以推定网络干扰。
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
利用表征平衡学习聚类数据中的条件平均剂量反应
- 研究问题
- 当不同剂量集中分配给不同人群群组时，如何从观察数据估计条件平均剂量反应，并应对剂量间协变量分布差异？
- 方法与思路
- 作者提出 CBRNet，通过表征平衡学习对群组及剂量不敏感的协变量表征，并在新基准数据上与现有剂量反应方法比较。
- 材料陈述的贡献
- 摘要称研究展示聚类数据对模型表现的影响，并提出面向此类数据的剂量反应估计器，通过广泛实验比较其表现。
- 阅读关注点
- 应核对剂量反应的识别假设、群组与剂量分配关系，以及表征平衡如何保留效应修饰信息并支持无偏估计主张。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列明无偏推断及剂量重叠条件，也未提供比较的具体数值结果。
原文摘要
Estimating a unit's responses to interventions with an associated dose, the "conditional average dose response" (CADR), is relevant in a variety of domains, from healthcare to business, economics, and beyond. Such a response typically needs to be estimated from observational data, which introduces several challenges. That is why the machine learning (ML) community has proposed several tailored CADR estimators. Yet, the proposal of most of these methods requires strong assumptions on the distribution of data and the assignment of interventions, which go beyond the standard assumptions in causal inference. Whereas previous works have so far focused on smooth shifts in covariate distributions across doses, in this work, we will study estimating CADR from clustered data and where different doses are assigned to different segments of a population. On a novel benchmarking dataset, we show the impacts of clustered data on model performance and propose an estimator, CBRNet, that learns cluster-agnostic and hence dose-agnostic covariate representations through representation balancing for unbiased CADR inference. We run extensive experiments to illustrate the workings of our method and compare it with the state of the art in ML for CADR estimation.