Transfer Learning of CATE with Kernel Ridge Regression
基于核岭回归的条件平均处理效应迁移学习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：摘要直接研究跨人群迁移的条件平均处理效应估计及重叠问题。
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…
基于核岭回归的条件平均处理效应迁移学习
- 研究问题
- 目标人群没有结果观测，且源与目标人群及源样本处理组之间重叠较弱时，如何迁移估计条件平均处理效应？
- 方法与思路
- 作者拆分有标签的源数据，以回归调整和伪结果训练核岭回归候选模型，再结合留出源数据与无标签目标数据选择模型。
- 材料陈述的贡献
- 摘要称给出尖锐非渐近均方误差界，展示对两类弱重叠和效应函数复杂度的适应性，并用数值研究及真实数据评估表现。
- 阅读关注点
- 应核对跨人群效应迁移的识别条件、两类重叠的度量方式，以及伪结果模型选择如何使用无标签目标数据。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核验；摘要未说明迁移假设、核空间条件及比较数值，不能推断任意弱重叠情景都适用。
原文摘要
The proliferation of data has sparked significant interest in leveraging findings from one study to estimate treatment effects in a different target population without direct outcome observations. However, the transfer learning process is frequently hindered by substantial covariate shift and limited overlap between (i) the source and target populations, as well as (ii) the treatment and control groups within the source. We propose a novel method for overlap-adaptive transfer learning of conditional average treatment effect (CATE) using kernel ridge regression (KRR). Our approach involves partitioning the labeled source data into two subsets. The first one is used to train candidate CATE models based on regression adjustment and pseudo-outcomes. An optimal model is then selected using the second subset and unlabeled target data, employing another pseudo-outcome-based strategy. We provide a theoretical justification for our method through sharp non-asymptotic MSE bounds, highlighting its adaptivity to both weak overlaps and the complexity of the CATE function. Extensive numerical studies confirm that our method achieves superior finite-sample efficiency and adaptability. We conclude by demonstrating the effectiveness and superiority of our approach on two real-world datasets.