研究者提出生成式学习器估计分布因果效应
热点事件持续更新
研究者提出生成式学习器估计分布因果效应
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Maria Nareklishvili、Nicholas Polson 与 Vadim Sokolov 提交论文，提出一种生成式学习器，用多头前馈神经网络联合估计倾向得分、基线结果的条件分位数函数和条件分位数处理效应，再经积分得到条件平均处理效应。 在 Neyman–Rubin 潜在结果框架的经典因果假设下，论文称该学习器的样本外均方误差比广义随机森林、双重机器学习和生成对抗网络平均低 5.4% 至 93.5%。
AI 根据报道生成 · 4 小时前更新
最新进展11月3日 13:00
生成式学习器估计分布因果效应，误差较基准方法降低 5.4%–93.5%报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- arXiv · cs.AI生成式学习器估计分布因果效应，误差较基准方法降低 5.4%–93.5%
研究者提出一种生成式学习器，用多头前馈神经网络联合估计倾向得分、基线结果的条件分位数函数和条件分位数处理效应，再积分得到条件平均处理效应。在 Neyman–Rubin 潜在结果框架的经典因果假设下，其样本外均方误差比广义随机森林、双重机器学习和生成对抗网络平均低 5.4% 至 93.5%。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。