GDR-learners：面向潜在结果的生成模型正交学习
机器学习
2026-03-12 v3 机器学习
摘要
已有多种深度生成模型被提出用于从观测数据中估计潜在结果分布。然而，这些模型均不具备广义Neyman正交性这一优良理论性质，以及与之相关的准预言效率与双重稳健性。本文提出了一套通用的生成式Neyman正交（双重稳健）学习器，用于估计潜在结果的条件分布。我们提出的生成式双重稳健学习器（GDR-learners）灵活性强，可由多种前沿深度生成模型实例化。具体而言，我们基于以下模型开发了GDR-learners：(a) 条件归一化流（称为GDR-CNFs），(b) 条件生成对抗网络（GDR-CGANs），(c) 条件变分自编码器（GDR-CVAEs），以及(d) 条件扩散模型（GDR-CDMs）。与现有方法不同，我们的GDR-learners具备准最优效率和速率双重稳健性，因此是渐近最优的。在一系列（半）合成实验中，我们证明了GDR-learners在估计潜在结果条件分布方面非常有效，且性能优于现有方法。
引用
@article{arxiv.2509.22953,
title = {GDR-learners: Orthogonal Learning of Generative Models for Potential Outcomes},
author = {Valentyn Melnychuk and Stefan Feuerriegel},
journal= {arXiv preprint arXiv:2509.22953},
year = {2026}
}