顺序随机化下的处理效应学习
计算机视觉与模式识别
2025-10-24 v1
摘要
在线实验中的顺序处理分配导致复杂的依赖结构，常使对处理的识别、估计与推断提出挑战。一个 session 中的处理（例如用户登录）对后续 session 中测量的后果产生持续影响，导致累积效应。这是会使标准方法识别与推断显微错误。我们提出一种 layered into G-Formula 的 T-学习者方法，基于因果机器学习与顺序环境中的识别文献。在简单仿真中，该方法防止因携带效应导致的准确性衰减，凸显了针对科技领域常见系统本质所需的识别与推断策略的重要性。
引用
@article{arxiv.2510.20077,
title = {Data-Adaptive Transformed Bilateral Tensor Low-Rank Representation for Clustering},
author = {Hui Chen and Xinjie Wang and Xianchao Xiu and Wanquan Liu},
journal= {arXiv preprint arXiv:2510.20077},
year = {2025}
}