inverse probability weighting
PulseAugur coverage of inverse probability weighting — every cluster mentioning inverse probability weighting across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的PUID框架解决了推荐系统中隐藏的混淆问题
研究人员开发了一个名为PUID（个性化未观测混淆感知交互去混淆器）的新框架，以解决推荐系统中隐藏的混淆问题。与以往在不可观测因素影响用户选择方面存在困难的方法不同，PUID估计用户-物品级别的敏感度边界。这种方法通过考虑隐藏混淆的个体差异，可以实现更准确的推荐，并且在真实世界的数据集上表现优于现有基线，而无需昂贵的实验数据。
-
研究显示分层法优于IPW用于零售智能偏差校正
一项发表在arXiv上的模拟研究调查了零售智能中的选择偏差，特别关注了监控热门产品如何通过忽视小众商品来扭曲经济指标。该研究比较了逆概率加权（IPW）与分层方法在各种数据生成过程中的有效性。研究结果表明，在零售长尾环境中，分层法通常优于IPW，尤其是在选择概率高度不同且违反了因果推断的关键要求——正定性假设（Positivity Assumption）时。
-
新的统计方法利用大型辅助数据集提高效率
本文探讨了通过将小型目标数据集与大型辅助数据集相结合来提高统计效率的方法。研究人员研究了两种主要方法：逆概率加权（IPW）和全似然（FL）方法。研究表明，虽然IPW在目标样本量小的情况下存在局限性，但FL可以实现显著的效率提升，甚至能以与辅助样本量相当的速率估计模型参数。文章探讨了指数族及其混合体的“完全效率增益”的理论基础，并讨论了将FL应用于神经网络模型进行预后的方法。
-
揭示用于效益-风险评估的新因果推断框架
研究人员开发了一个新颖的因果推断框架，用于评估效益-风险评估中的结果排序期望值（DOOR）。该框架通过分析不同治疗策略下的边际序数结果分布来量化DOOR概率。模拟表明，具有超级学习器的目标最大似然估计（TMLE-SL）在点估计性能上表现更优，优于G计算和逆概率加权等其他方法。
-
Meta 的 'balance' 包指导调查偏差校正，使用 IPW、CBPS
Meta 研究人员发布了一个名为 Balance 的开源包，该包简化了使用 IPW、CBPS 和后层化等方法的调查偏差校正。该工具允许研究人员调整有偏差的样本，使其更好地匹配目标人群。此外，一种名为 TUR-DPO 的新方法被引入用于优化 AI 模型，该方法考虑了拓扑和不确定性，通过奖励推理结构而非简单的二元结果来改进对齐。