基于最大最小值的个体化处理效应学习：面向多领域结果
机器学习
2026-03-31 v1 统计方法学
摘要
精密心理健康需要考虑反映多个临床领域的异质症状的治疗决策。然而，现有方法用于估计个体化处理效应（ITE）依赖于单个总结结果或特定的观察症状或措施，这些方法对症状选择敏感，且限制了对未测量但临床相关领域的可泛化性。我们提出了DRIFT（DRIFT），一种新的最大最小框架，用于从高维项目级数据中估计稳健的ITE，通过利用潜在因子表示和对抗学习。DRIFT通过广义因子分析学习潜在构造，然后构建一个锚定在目标上的不确定性集合，将结果外推到更广泛的潜在结果人群。通过对该不确定性集合上的最差情况性能进行优化，DRIFT产生对欠代表或未测量领域稳健的ITE。我们进一步证明了DRIFT对潜在因子的可接受重参数化是不变的，并且 admits a closed-form maximin solution，具有识别和收敛的理论保证。在对重大抑郁障碍（EMBARC）随机对照试验的分析中，DRIFT在改进的泛化性方面显示出优异性能，包括未用于训练的副作用和自我报告症状等外部多领域结果。
引用
@article{arxiv.2603.27114,
title = {Maximin Learning of Individualized Treatment Effect on Multi-Domain Outcomes},
author = {Yuying Lu and Wenbo Fei and Yuanjia Wang and Molei Liu},
journal= {arXiv preprint arXiv:2603.27114},
year = {2026}
}