Personalized Assignment to One of Many Treatment Arms via Regularized and Clustered Joint Assignment Forests
通过正则化与聚类联合分配森林实现多处理臂个性化分配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：摘要直接研究随机试验中的异质性处理效应与个性化处理分配，因此归入因果推断。
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…
通过正则化与聚类联合分配森林实现多处理臂个性化分配
- 研究问题
- 在随机试验包含许多处理臂时，如何学习个性化分配规则，并缓解逐臂估计异质性效应带来的高方差？
- 方法与思路
- 作者提出基于贪心递归分割的分配森林，通过跨臂收缩正则化效应估计，再聚类合并结果持续相似的处理臂。
- 材料陈述的贡献
- 摘要称，模拟显示直接优化分配并结合正则化与聚类可改善表现；理论模型说明难以找到最优臂时仍可获得个性化收益。
- 阅读关注点
- 应核对分配目标、跨臂收缩和聚类规则，以及理论模型如何刻画处理臂数量、最优臂识别难度与个性化效用。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未说明理论结论的具体条件、模拟设置和收益幅度，不能泛化其优势。
原文摘要
We consider learning personalized assignments to one of many treatment arms from a randomized controlled trial. Standard methods that estimate heterogeneous treatment effects separately for each arm may perform poorly in this case due to excess variance. We instead propose methods that pool information across treatment arms: First, we consider a regularized forest-based assignment algorithm based on greedy recursive partitioning that shrinks effect estimates across arms. Second, we augment our algorithm by a clustering scheme that combines treatment arms with consistently similar outcomes. In a simulation study, we compare the performance of these approaches to predicting arm-wise outcomes separately, and document gains of directly optimizing the treatment assignment with regularization and clustering. In a theoretical model, we illustrate how a high number of treatment arms makes finding the best arm hard, while we can achieve sizable utility gains from personalization by regularized optimization.