面向提高可靠性的模型无关的最优子群识别 with 多约束 (MOSIC)
机器学习
2025-08-04 v2
摘要
当前的子群识别方法通常遵循两步方法：首先估计条件平均处理效应，然后应用阈值或基于规则的程序来定义子群。虽然这种解耦方法直观，但未能纳入临床决策中所必需的关键约束，如子群规模和倾向重合度。这些约束在本质上与 CATE 估计沿着不同轴向工作，无法自然地纳入现有框架，从而限制了这些方法的实际适用性。我们提出了统一的优化框架，直接求解原约束优化问题以识别最优子群。我们的关键创新是将约束原问题重新表述为无约束可微 min-max 目标，通过梯度下降-上升算法求解。我们理论上证明了该解答收敛于可行且局部最优解。与应用约束作为事后过滤器的阈值 CATE 方法不同，我们的方法在优化过程中直接强制执行约束。该框架具有模型无关性，兼容各种 CATE 估计器，并可扩展到额外约束，如成本限制或公平性准则。在合成数据和真实世界数据上的大量实验表明，该方法在识别高效益子群的同时，能够更好地满足约束条件。
引用
@article{arxiv.2504.20908,
title = {MOSIC: Model-Agnostic Optimal Subgroup Identification with Multi-Constraint for Improved Reliability},
author = {Wenxin Chen and Weishen Pan and Kyra Gan and Fei Wang},
journal= {arXiv preprint arXiv:2504.20908},
year = {2025}
}