TL;DR
- چکیده: تصمیمگیری مبتنی بر داده اغلب بر پیش بینی نتایج خلاف واقع متکی است.
- در عمل،.
- محققان معمولاً مدلهای پیشبینی خلاف واقع را بر روی یک مجموعه داده منبع آموزش میدهند تا تصمیمگیری در.
چه اتفاقی افتاد
چکیده: تصمیمگیری مبتنی بر داده اغلب بر پیش بینی نتایج خلاف واقع متکی است. در عمل،.
محققان معمولاً مدلهای پیشبینی خلاف واقع را بر روی یک مجموعه داده منبع آموزش میدهند تا تصمیمگیری در. مورد یک جمعیت هدف احتمالاً مجزا را ارائه کنند.
پیشبینی منسجم بهعنوان یک روش محبوب برای تولید فواصل پیشبینی ناب فرضی برای پیامدهای خلاف واقع که تحت. تصمیمهای درمانی مختلف در جمعیت هدف مورد علاقه به وجود میآیند،.
پدید آمده است. با این حال،.
روشهای موجود مستلزم آن است که هر عامل مخدوشکننده رابطه درمان-نتیجه که برای آموزش بر روی دادههای منبع. استفاده میشود،.
علاوه بر این در جمعیت هدف اندازهگیری شود،. در صورتی که عوامل مخدوشکننده مهم در جمعیت هدف اندازهگیری نشده باشند،.
خطر افشای نادرست را به دنبال دارد. در این مقاله،.
ما یک چارچوب یادگیری ماشین انحرافی کارآمد محاسباتی را معرفی میکنیم که امکان پیشبینی معتبر را فراهم میکند. فواصل زمانی که تنها یک زیر مجموعه از عوامل مخدوش کننده در جمعیت هدف اندازهگیری میشود،.
یک چالش رایج که بهعنوان مخدوش کننده زمان اجرا شناخته میشود. بر اساس تئوری بازده نیمه پارامتریک،.
ما نشان میدهیم که فواصل پیشبینی حاصل به نرخ پوشش مطلوب با همگرایی سریعتر در مقایسه با روشهای. استاندارد دست مییابند.
از طریق آزمایشهای مصنوعی و نیمه مصنوعی متعدد، ما کاربرد روش پیشنهادی خود را نشان میدهیم. یادگیری ماشین (stat.
ML)؛ یادگیری ماشینی (cs. LG) استناد بهعنوان: (یا v1 [stat.
ML] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:.
Keith Barnatchez [مشاهده ایمیل] [v1] شنبه،. 4 آوریل 2026،.
15:. 49:.
41 UTC (320 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.