一篇新的研究论文探讨了因果森林中“诚实性”的做法，这是一种用于估计个体处理效应以实现个性化干预的方法。研究表明，这种防止过拟合的标准做法实际上会降低估计准确性，尤其是在大型数据集和显著效应异质性情况下。作者认为，“诚实性”起到了正则化的作用，其使用应基于经验表现来决定，而不是作为默认设置。 AI
影响 挑战了因果推理中的一个常见方法论假设，可能影响个性化干预的设计和评估方式。
排序理由 该集群包含一篇讨论机器学习特定方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2506.13107v4 Announce Type: replace-cross Abstract: Causal forests estimate how treatment effects vary across individuals, guiding personalized interventions in areas like marketing, operations, and public policy. A standard practice is honest estimation: dividing the data …