基于复杂处理的因果表征学习与最优压缩
机器学习
2026-05-05 v2 统计方法学
摘要
多处理情境下的个体处理效应 (ITE) 估计面临两个关键挑战：权重与超参数选择的困境以及计算规模性维度灾难。本文推导了新的多处理泛化界，并提出了用于估计最优权衡参数 的理论估计器，消除昂贵的经验性调参。我们检验了三种权衡策略：两两比较、全 vs 全 (OVA) 以及处理聚合。虽然 OVA 在低维情境下实现卓越的精度，但我们提出的处理聚合确保了准确性和 O(1) 的规模性。此外，我们将框架扩展为一种生成式架构——Multi-Treatment CausalEGM，保留了处理流形的 Wasserstein 测地线结构。在半合成数据集和图像数据集上的实验表明，我们的方法在估计精度和效率方面显著优于传统模型，尤其是在大规模干预情境下。
引用
@article{arxiv.2603.11907,
title = {Causal Representation Learning with Optimal Compression under Complex Treatments},
author = {Wanting Liang and Haoang Chi and Zhiheng Zhang},
journal= {arXiv preprint arXiv:2603.11907},
year = {2026}
}