Rank-Learner：基于正交排序的治疗效应学习方法
机器学习
2026-05-27 v2
摘要
许多决策问题需要对个体的治疗效应进行排序，而非估计具体的效应幅度。例如，优先为预防性干预的患者进行排序，或按预期增量影响对客户进行排序。尽管因果效应估计在文献中受到广泛关注，但直接学习治疗效应排序的问题却 largely 未被探索。本文引入 Rank-Learner，一种 Novel 两阶段学习方法，直接从观察数据中学习治疗效应的排序。我们首先表明，基于精确治疗效应估计的 naive 方法解决的问题过于困难，而我们的 Rank-Learner 通过优化两两学习目标来恢复真实的治疗效应排序，而无需显式的 CATE 估计。进一步，我们表明我们的 Rank-Learner 具有 Neyman 正交性，因而具备强大的理论保证，包括对 nuisance 函数估计误差的鲁棒性。此外，我们的 Rank-Learner 是 model-agnostic 的，可使用任意机器学习模型（例如神经网络）进行实例化。我们通过大量实验表明，Rank-Learner 持续地优于标准 CATE 估计器和非正交排序方法。总体而言，我们为实践者提供了一种新的、正交的两阶段学习方法，用于对个体的治疗效应进行排序。
关键词
引用
@article{arxiv.2602.03517,
title = {Rank-Learner: Orthogonal Ranking of Treatment Effects},
author = {Henri Arno and Dennis Frauen and Emil Javurek and Thomas Demeester and Stefan Feuerriegel},
journal= {arXiv preprint arXiv:2602.03517},
year = {2026}
}
备注
Accepted at the 43rd International Conference on Machine Learning (ICML 2026)