Differentiable Pareto-Smoothed Weighting for High-Dimensional Heterogeneous Treatment Effect Estimation
高维异质性治疗效应估计的可微帕累托平滑加权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：摘要以高维异质性治疗效应估计、选择偏差及逆概率加权为核心。
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
高维异质性治疗效应估计的可微帕累托平滑加权
- 研究问题
- 高维特征同时包含选择偏差信息和潜在结果预测信息时，如何保留有用特征，并缓解逆概率权重极端值带来的估计不稳定？
- 方法与思路
- 作者在加权表示学习中引入可微帕累托平滑机制，以端到端方式替换极端权重，并在实验中与既有方法和传统加权方案比较。
- 材料陈述的贡献
- 摘要称，权重修正提高了所提方法的实验表现，优于参与比较的既有方案，并提供实现代码链接；摘要未报告具体改善幅度。
- 阅读关注点
- 应核对权重平滑的规则与可微实现、平滑后估计目标是否变化，以及偏差和方差如何权衡、实验中的因果效应真值如何获得。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收。摘要未说明识别条件、实验数据构成或理论保证，所称优势仅限摘要描述。
原文摘要
There is a growing interest in estimating heterogeneous treatment effects across individuals using their high-dimensional feature attributes. Achieving high performance in such high-dimensional heterogeneous treatment effect estimation is challenging because in this setup, it is usual that some features induce sample selection bias while others do not but are predictive of potential outcomes. To avoid losing such predictive feature information, existing methods learn separate feature representations using inverse probability weighting (IPW). However, due to their numerically unstable IPW weights, these methods suffer from estimation bias under a finite sample setup. To develop a numerically robust estimator by weighted representation learning, we propose a differentiable Pareto-smoothed weighting framework that replaces extreme weight values in an end-to-end fashion. Our experimental results show that by effectively correcting the weight values, our proposed method outperforms the existing ones, including traditional weighting schemes. Our code is available at https://github.com/ychika/DPSW.