基于合成后事实标签的高效保守后事实推断
机器学习
2026-05-08 v3 信息论
math.IT
摘要
本工作解决构建针对个体后事实结果可靠预测区间的问题。现有的保守后事实推断（CCI）方法提供边际覆盖保证，但在治疗不平衡且后事实样本稀缺的情形下常产生过于保守的区间。我们引入基于合成数据的 CCI（SP-CCI），一种新框架，通过预训练的后事实模型生成的合成后事实标签来扩充校准集合。为确保有效性，SP-CCI 将合成样本纳入基于风险控制预测集合（RCPS）的保守校准程序，并通过预测驱动推断（PPI）提供的去偏步骤加以利用。我们证明 SP-CCI 在保持边际覆盖保证的同时实现更窄的预测区间，在精确和近似重要加权的情况下都有理论保证。实验结果表明，在各种设置下，SP-CCI 均显著缩小了区间宽度，优于标准 CCI 方法。
引用
@article{arxiv.2509.04112,
title = {Synthetic Counterfactual Labels for Efficient Conformal Counterfactual Inference},
author = {Amirmohammad Farzaneh and Matteo Zecchin and Osvaldo Simeone},
journal= {arXiv preprint arXiv:2509.04112},
year = {2026}
}