基于重叠加权正交元学习器用于随时间的处理效应估计
机器学习
2026-02-12 v2
摘要
在随时间变化的setting中估计异质处理效应(HTEs)尤其具有挑战性，因为随着预测时段的延长，观察到特定处理序列出现的概率呈指数级下降。因此，观察数据中包含许多合理处理序列的支持不足，导致严重的重叠问题。现有的随时间变化的元学习器通常假设处理重叠充足，因而在重叠不足时 suffer from 估计方差爆炸。为解决此问题，我们引入一种新型的重叠加权正交(Overlap-weighted Orthogonal, WO)元学习器，用于估计 HTEs，旨在针对接收干预处理序列概率高的观测数据中的 region 进行建模。这提供了一个完全数据驱动的方法，使我们的 WO-learner 能够抵消现有元学习器的不稳定性，从而获得更可靠的 HTE 估计。方法论上，我们开发了新的 Neyman 正交 population risk函数，通过最小化重叠加权的 oracle risk 实现目标。我们表明，WO-learner 具备 Neyman 正交性，有利于对违约函数的误指定具有鲁棒性。进一步地，WO-learner 完全基于模型且可应用于任何机器学习模型。通过使用 transformer 和 LSTM 作为 backbone 进行大量实验，我们展示了该新型 WO-learner的优势。
引用
@article{arxiv.2510.19643,
title = {Overlap-weighted orthogonal meta-learner for treatment effect estimation over time},
author = {Konstantin Hess and Dennis Frauen and Mihaela van der Schaar and Stefan Feuerriegel},
journal= {arXiv preprint arXiv:2510.19643},
year = {2026}
}