基于混合合成最近邻的多处理下因果矩阵完成
机器学习
2026-03-13 v1
摘要
Synthetic Nearest Neighbors (SNN) 通过利用完全观测锚子子矩阵中的局部低秩结构，为因果矩阵完成在 missing-not-at-random (MNAR) 提供了原则解决方案。然而，其有效性严重依赖于每个 treatment 水平内的数据充足性，这在多或复杂处理的情境中常常难以满足。本 work 提出了 Mixed Synthetic Nearest Neighbors (MSNN)，一种集成跨 treatment 水平信息的 entry-wise causal identification estimator。我们表明，MSNN 保留了 SNN 的 finite-sample error bounds 和渐近正态性保证，同时扩大了用于估计的有效样本量。在合成和真实数据集上的实验结果表明，该方法尤其在数据稀缺的 treatment 水平下效果显著。
引用
@article{arxiv.2603.11942,
title = {Causal Matrix Completion under Multiple Treatments via Mixed Synthetic Nearest Neighbors},
author = {Minrui Luo and Zhiheng Zhang},
journal= {arXiv preprint arXiv:2603.11942},
year = {2026}
}