PulseAugur
中
实时 20:44:46
English(EN) Deep Doubly Debiased Longitudinal Effect Estimation with ICE G-Computation

新的D3-Net框架增强了纵向效应估计

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为D3-Net的新型框架，旨在改进纵向治疗效应的估计，特别是在存在时变混杂因素的情况下。该方法通过在训练过程中采用序列双重稳健（SDR）伪结果来解决现有迭代条件期望（ICE）G-计算技术中固有的误差传播问题。此外，D3-Net集成了多任务Transformer和辅助监督以及目标网络来稳定学习。最终估计采用纵向目标最小损失估计（LTMLE）以增强稳健性和最优的有限样本特性，并在综合实验中证明其性能优于当前最先进的基于ICE的估计器。 AI

影响 引入了一个新颖的框架，以提高机器学习模型中纵向效应估计的准确性和稳健性。

排序理由 这是一篇详细介绍机器学习中效应估计新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Wenxin Chen, Weishen Pan, Kyra Gan, Fei Wang ·

    Deep Doubly Debiased Longitudinal Effect Estimation with ICE G-Computation

    arXiv:2602.12379v2 Announce Type: replace Abstract: Estimating longitudinal treatment effects is essential for sequential decision-making but is challenging due to treatment-confounder feedback. While Iterative Conditional Expectation (ICE) G-computation offers a principled appro…

相关实体

相关话题