arXiv · ML· Michael Fuchs, Dominik Kreiss·· 3 天前AI 评分21
提出 Q-Learner 算法以优化比率型处理效应估计
Beyond Differences: Estimating and Tuning Ratio-Based Treatment Effects
AI 导读
研究者提出 Q-Learner 算法,将二元结果下的比率型条件平均处理效应(CATE)估计简化为两个倾向性分类任务。 在合成与真实随机数据基准测试中,仅对 Q-Learner 的 log-loss 进行标准超参数调优,即可比 S-Learner 更可靠地获取效应排名、水平及分布。 该特性使其特别适用于工业界实践,当倾向性已知时,仅需基于转化者训练单个分类器即可加速开发流程。
来源:arXiv · ML · arxiv.org