用于分离功能结果中治疗效应异质性的双鲁棒机器学习方法
统计方法学
2026-02-12 v1 机器学习
摘要
因果推断是理解干预作用的关键,但从日益复杂的数据中提取个性化洞察仍是现代机器学习面临的重大挑战。这一点尤其体现在考虑连续域（如时间或空间）上观察到的功能结果时。对治疗效应异质性的估计，已成为实现个性化决策的关键工具,但现有的元学习框架大多局限于标量结果,无法在利用功能数据中编码的丰富连续信息的科学应用中提供令人满意的结果。本文我们引入 FOCaL（Functional Outcome Causal Learning），一种新型双鲁棒元学习器，专为估计功能治疗效应（F-CATE）而设计。FOCaL集成了用于结果建模和功能伪结果重构的先进功能回归技术,从而实现对 F-CATE 的直接且稳健的估计。我们对 FOCaL 提供了严格的理论推导,通过综合模拟研究展示其性能和鲁棒性,并在多样化的真实功能数据集上说明其实际用途。FOCaL 扩展了机器智能从复杂数据中推断细粒度个体因果效应的能力,为实现更精确可信的 AI 系统在个性化医疗、自适应政策设计和基础科学发现中铺平了道路。
引用
@article{arxiv.2602.11118,
title = {A Doubly Robust Machine Learning Approach for Disentangling Treatment Effect Heterogeneity with Functional Outcomes},
author = {Filippo Salmaso and Lorenzo Testa and Francesca Chiaromonte},
journal= {arXiv preprint arXiv:2602.11118},
year = {2026}
}
备注
20 pages, 4 figures