基于倾向性拼凑克里金法的可扩展异质治疗效果推断

Research Paper#Causal Inference, Machine Learning, Gaussian Processes🔬 Research|分析: 2026年1月3日 18:47•
发布: 2025年12月29日 13:49
•
1分で読める
•ArXiv

分析

本文解决了基于高斯过程的模型在因果推断中估计异质治疗效果（HTE）的计算限制问题。它提出了一种新方法，即倾向性拼凑克里金法，该方法利用倾向性得分来划分数据并应用拼凑克里金法。这种方法旨在通过沿倾向性得分维度施加连续性约束来提高可扩展性，同时保持HTE估计的准确性。该方法提供了分层的平滑扩展，使其成为HTE估计的有效方法。
引用 / 来源
查看原文
"The proposed method partitions the data according to the estimated propensity score and applies Patchwork Kriging to enforce continuity of HTE estimates across adjacent regions."
A
ArXiv2025年12月29日 13:49
* 根据版权法第32条进行合法引用。
较旧

Pseudodeterministic Algorithms for Minimum Cut Problems

较新

Deterministic Image-to-Image Translation via Denoising Brownian Bridge Models with Dual Approximators

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv