面向未观测混杂因素的鲁棒风险评分学习方法
该研究探讨了在存在未观测混杂因素的历史观测数据中学习风险评分的难题，此类评分通常用于指导稀缺资源分配或干预措施的优先级。尽管逆倾向加权等传统方法尝试校正观测数据带来的偏差，但在存在未观测混杂时仍面临严峻挑战。本研究旨在提出能够在混杂偏差下保持鲁棒性的评分学习方案。注：原始摘要文本末尾有所截断，具体方法细节未完全披露。
推荐理由针对资源分配决策中因果推断的核心痛点，探索应对未观测混杂偏差的稳健评估模型。
原标题：Learning Risk Scores Robust to Unobserved Confounders
阅读 arXiv 机器学习 原文 ↗