不确定性引导的 LLM 异构治疗效果估计语义增强

估计异质性治疗效果对于个性化促销和精准医疗等针对性干预措施至关重要。我们关注条件平均治疗效果（CATE），这是表征这种异质性的标准估计值。即使在标准识别条件下，有限样本 CATE 估计也需要学习协变量调整和治疗效果异质性的干扰结构，通常还需要学习 X 的有效表示。原始数值和分类编码可能会隐含语义关系和高阶交互，从而使该联合任务局部不稳定。一项激励性研究进一步表明，这种不稳定性是通过部分可分离的分配侧通道和异质性侧通道出现的。基于这一观察，我们提出了 CURL（因果不确定性引导表示学习），这是一种插件适配器，它使用估计器不确定性将预训练的语义容量分配给局部不稳定的单元。 CURL 通过两个角色条件提示查询冻结的 LLM，从观察到的协变量构建面向分配和异质性的表示，并通过单独的路径路由它们。在四个基准上，CURL 在大多数设置中改进了 10 个宿主学习器，而消融、细化动态、路线重新分配和探测分析支持两个通道的预期设计和角色。