连续处理剂量下的上升建模：一种预测后优化方法
机器学习
2025-05-21 v2
摘要
上升建模旨在通过确定应接收处理的实体来推荐可优化特定结果的行动。常见方法涉及两个步骤：首先进行推断步骤，以估计条件平均处理效应（CATE），其次进行优化步骤，基于CATE值对实体进行排序并在给定预算内分配前k个处理。虽然上升建模通常聚焦于二元处理，但许多实际应用特征为连续值处理，即处理剂量。本文提出了一种预测后优化框架，以允许连续处理剂量。首先，在推断步骤中，使用因果机器学习技术从数据中估计条件平均剂量反应（CADR）。其次，在优化步骤中，我们将连续处理的分配任务表述为剂量分配问题，并使用整数线性规划（ILP）求解。该方法使决策者能够在资源可用性的平衡下，高效且有效地分配处理剂量，同时可以添加公平性约束或调整目标函数以考虑实例相关的成本和收益以最大化效用。实验比较了多种CADR估计器，说明了政策价值与公平性之间的权衡，以及适应目标函数的影响。这展示了该框架在医疗、信贷和人力资源管理等多样化应用中的优势和灵活性。所有代码均已在github.com/SimonDeVos/UMCT上提供。
引用
@article{arxiv.2412.09232,
title = {Uplift modeling with continuous treatments: A predict-then-optimize approach},
author = {Simon De Vos and Christopher Bockel-Rickermann and Stefan Lessmann and Wouter Verbeke},
journal= {arXiv preprint arXiv:2412.09232},
year = {2025}
}