面向运行时混淆的反事实结果保守预测的无偏机器学习
机器学习
2026-04-07 v1 机器学习
摘要
数据驱动的决策常依赖于预测反事实结果。在实际操作中，研究人员通常在源数据集上训练反事实预测模型，以指导针对可能的独立目标人群的决策。保守预测作为一种流行方法，可为目标人群在不同治疗决策下可能出现的反事实结果提供假设较少的预测区间。然而，现有方法要求用于训练的源数据中每个混淆因子在目标人群中也被测量，若目标人群中遗漏重要混淆因子，可能导致覆盖不足。本文引入一种计算高效的无偏机器学习框架，允许在目标人群中仅测量部分混淆因子的情况下获得有效的预测区间，这种常见挑战称为运行时混淆。基于半参数效率理论，我们展示，所得预测区间在实现期望覆盖率方面具有更快的收敛速度。通过大量合成和准合成实验，我们展示了所提方法的实用性。
引用
@article{arxiv.2604.03772,
title = {Debiased Machine Learning for Conformal Prediction of Counterfactual Outcomes Under Runtime Confounding},
author = {Keith Barnatchez and Kevin P. Josey and Rachel C. Nethery and Giovanni Parmigiani},
journal= {arXiv preprint arXiv:2604.03772},
year = {2026}
}