用于个体治疗效果预测推断的共形卷积和蒙特卡洛元学习器
机器学习
2025-09-24 v6 机器学习
摘要
生成潜在结果和个体治疗效果（ITE）的概率预测对于医疗、政策、营销和金融等领域的风险意识决策至关重要。我们提出了两种新颖方法：共形卷积T学习器（CCT）和共形蒙特卡洛（CMC）元学习器，它们生成潜在结果和ITE的完整预测分布。我们的方法将加权共形预测系统与潜在结果分布的解析卷积或蒙特卡洛采样相结合，通过倾向得分加权解决协变量偏移。与其他允许生成潜在结果预测分布的方法相比，我们的方法是模型无关的、通用的，并且在已知倾向得分的情况下具有概率校准的有限样本保证。关于估计ITE分布，我们正式刻画了潜在结果噪声依赖性假设如何影响分布有效性，并在独立噪声假设下建立了普适一致性。在合成和半合成数据集上的实验表明，所提方法实现了概率校准的预测分布，同时保持窄的预测区间和良好的连续排序概率分数。除了概率预测性能外，我们观察到CCT和CMC元学习器与其他产生具有覆盖保证的ITE预测区间的共形方法相比，具有显著的效率提升。
引用
@article{arxiv.2402.04906,
title = {Conformal Convolution and Monte Carlo Meta-learners for Predictive Inference of Individual Treatment Effects},
author = {Jef Jonkers and Jarne Verhaeghe and Glenn Van Wallendael and Luc Duchateau and Sofie Van Hoecke},
journal= {arXiv preprint arXiv:2402.04906},
year = {2025}
}
备注
Major update (rescope to distributional regression in counterfactual inference)