个体治疗效果的预测推理的共形元学习
摘要：基于机器学习的个体治疗效果（ITE）的预测推断问题的研究 使用符合性元学习方法，我们研究了机器学习（ML）在个体治疗效果（ITE）的预测推断问题上的应用。以往的工作主要集中在开发能够提供条件平均治疗效果（CATE）点估计的ML元学习模型，这些模型是模型无关的方法，通过组合中间干扰估计来产生CATE估计。在本文中，我们提出了符合性元学习器，这是一个通用的框架，通过在CATE元学习器之上应用标准的符合性预测（CP）过程，来发出ITE预测区间。我们关注基于两阶段伪效应回归的广泛类别的元学习器，并开发了一种随机排序框架来研究其有效性。我们证明，如果符合性元学习器（伪效应）的符合性分数在未观测到的ITE上是随机优于?像的符合性分数，则符合性元学习器的推断是边际有效的。此外，我们证明，常用的CATE元学习器，如双重稳健学习器，满足模型和分布无关的随机（或凸）优势条件，使它们的符合性推断对于实际相关的目标覆盖水平是有效的。而现有的方法是通过加权的CP对干扰参数（即潜在结果）进行推断，符合性元学习器使得我们能够直接对目标参数（ITE）进行推断。数值实验表明，符合性元学习器在保留CATE元学习器有利的点估计性质的同时，提供了有效的区间估计。
作者：Ahmed Alaa, Zaid Ahmad, Mark van der Laan
论文ID：2308.14895
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-30