Extended Fiducial Inference for Individual Treatment Effects via Deep Neural Networks
通过深度神经网络开展个体治疗效应的扩展信赖推断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：摘要明确研究个体治疗效应及其不确定性量化。
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
通过深度神经网络开展个体治疗效应的扩展信赖推断
- 研究问题
- 如何利用深度神经网络与扩展信赖推断估计个体治疗效应，并在模型规模随样本量增长时量化参数不确定性？
- 方法与思路
- 作者提出 Double-NN，使用深度网络建模治疗和对照效应函数，并以额外网络估计参数，结合增长维度理论及与共形分位数回归的数值比较。
- 材料陈述的贡献
- 摘要称方法在数值比较中优于 CQR，并在特定理论条件下允许模型规模按 n 的 ζ 次幂增长、ζ 小于一时仍能量化参数不确定性。
- 阅读关注点
- 应核对个体效应的识别信息、扩展信赖分布的构造、增长维度定理条件，以及参数不确定性与个体效应区间有效性的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未列出识别和定理条件，通用逼近能力本身不能保证个体效应识别或区间覆盖。
原文摘要
Individual treatment effect estimation has gained significant attention in recent data science literature. This work introduces the Double Neural Network (Double-NN) method to address this problem within the framework of extended fiducial inference (EFI). In the proposed method, deep neural networks are used to model the treatment and control effect functions, while an additional neural network is employed to estimate their parameters. The universal approximation capability of deep neural networks ensures the broad applicability of this method. Numerical results highlight the superior performance of the proposed Double-NN method compared to the conformal quantile regression (CQR) method in individual treatment effect estimation. From the perspective of statistical inference, this work advances the theory and methodology for statistical inference of large models. Specifically, it is theoretically proven that the proposed method permits the model size to increase with the sample size $n$ at a rate of $O(n^ζ)$ for some $0 \leq ζ<1$, while still maintaining proper quantification of uncertainty in the model parameters. This result marks a significant improvement compared to the range $0\leq ζ< \frac{1}{2}$ required by the classical central limit theorem. Furthermore, this work provides a rigorous framework for quantifying the uncertainty of deep neural networks under the neural scaling law, representing a substantial contribution to the statistical understanding of large-scale neural network models.