基于IPW与Wasserstein优化的风险评分方法提出

2026年11月3日，Ryan Edmonds等人发表了一项研究，提出一种针对未观测混杂变量稳健的风险分数学习方法。该方法融合了逆概率加权（IPW）、敏感性分析与Wasserstein分布鲁棒优化，旨在提升模型在存在未知混杂因素时的表现。 为了便于实际计算，研究团队通过处理不确定性集并构建样本近似，将原本的优化问题重构为指数锥规划形式，使其能够兼容现有的标准求解器，降低了部署门槛。 在半合成数据的测试中，该新方法的校准度表现优于传统基准，提升幅度最高达29.2%。与当前最优的现有方法相比，其校准度也实现了11.1%的显著进步，验证了其在降低未观测混杂偏差方面的有效性。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。