什么是 因果元学习器？
因果元学习器是一类以处理分配为约束、组合普通预测模型来估计条件平均处理效应的框架，而不是直接学习现实中不可同时观测的个体因果标签。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
组合规则决定每个底层模型学习什么
S-Learner 在包含处理变量的同一结果模型中共享信息；T-Learner 按处理组分别拟合结果模型；X-Learner 先插补效应再组合两组效应模型；R-Learner 对结果和处理做残差化；DR-Learner 使用双重稳健伪结果。它们是不同估计架构，而不是可互换的别名。Curth 与 van der Schaar 按响应面、处理效应或二者共同建模的方式系统整理了这些策略。
应由数据结构而不是流行度决定选型
不存在对所有问题都最优的元学习器。S-Learner 能跨处理组共享信号，却可能压缩较弱交互；T-Learner 简单直观，但在一组样本很少时浪费信息；X-Learner 在特定效应结构下可利用组间不平衡；R 与 DR Learner 在附加条件成立时可降低对干扰模型误差的敏感度。比较时需同时考虑处理比例、重叠、效应稀疏性、结果复杂度、样本量与干扰模型质量。
验证对象必须是效应与决策
结果预测误差低并不能证明处理效应准确，因为每个样本只暴露一个潜在结果。应使用留出集或交叉拟合的干扰预测、分组效应校准、异质性或排序检验、相对全处理与全不处理的策略价值、不确定性、重叠诊断，以及跨折和模型家族的稳定性。观测数据还需要针对未测混杂做敏感性分析。
主要特点
- 用处理效应估计规则封装普通监督学习器
- 目标是条件因果对比而非可直接观测的标签
- 覆盖响应面、插补、残差与伪结果等家族
- 可更换底层学习器而不改变目标估计量
- 在处理组不平衡时呈现不同偏差与方差特征
- 仍依赖因果识别、重叠和诚实验证
常见用途
- 为随机产品实验比较多种 CATE 估计器
- 使用灵活结果回归估计处理效应异质性
- 在处理组与对照组样本量悬殊时选择估计器
- 为容量受限的干预策略构建效应评分
- 上线前对比简单学习器与正交学习器
示例
Loading code...常见问题
因果元学习器与普通元学习有什么区别？
普通元学习通常研究如何跨任务快速适应或学习优化器；因果元学习器则是组织监督模型、处理标签与干扰估计来恢复因果对比的规则。二者共享「meta」名称，但因果元学习器并不自动具备少样本学习、任务迁移或学习优化器的能力。
应该选择哪一种因果元学习器？
不存在统一答案。先明确估计目标与研究设计，再根据处理比例、重叠、样本量、结果复杂度、效应稀疏性和干扰模型质量筛选候选，并用处理效应校准或策略价值做诚实验证，不能只比较结果预测 RMSE。
S、T、X、R 与 DR Learner 自身能保证因果性吗？
不能。它们只是估计策略。因果解释还要求干预定义清楚、一致性、充分正值性、时间顺序正确，以及随机分配或可信的条件可交换性。灵活模型无法消除隐藏混杂，也不能在没有支持的数据区域制造反事实比较。
任何机器学习算法都能作为底层学习器吗？
许多回归器都可以使用，但必须适合所在阶段。结果模型需要可靠的条件均值，倾向模型需要校准概率，效应模型需要合适的正则化与不确定性行为。灵活干扰模型复用同一数据时，通常还要通过交叉拟合控制过拟合偏差。
如何公平比较多种因果元学习器？
应在留出的随机实验数据或有效伪结果上比较分组校准、异质性与排序检验、策略价值、不确定性覆盖、重叠诊断，以及跨折和随机种子的稳定性。同时保留简单基线，要求复杂模型证明其带来了与决策相关的增量价值。