新方法解决治疗数据缺失时的策略学习问题

研究人员开发了新的策略学习方法，可以处理治疗数据不完整的情况。这些方法将现有估计器扩展到可处理随机缺失（MAR）和完全随机条件缺失（MCCAR）数据，从而提供更准确、更有效的策略值和条件平均治疗效果（CATE）估计。实验表明，正确指定缺失机制对于避免偏差至关重要，并且当满足MAR假设时，所提出的MAR估计器比MCCAR具有更高的效率。 AI

影响 为具有不完整数据的机器学习应用中更鲁棒的策略学习提供了理论和实证工具。

排序理由 该集群包含一篇详细介绍新策略学习方法的 ist 研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• Connected Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• Litmaps
• ScienceCast
• scite Smart Citations

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →