Resumo Técnico: Rank-Learner: Classificação Ortogonal de Efeitos de Tratamento

1. Declaração do Problema

Em muitos domínios de tomada de decisão — como triagem em saúde, alocação de recursos de marketing e intervenção em políticas públicas — os praticantes devem priorizar indivíduos com base em seus efeitos de tratamento em vez de estimar a magnitude exata desses efeitos. Embora exista literatura extensa sobre a estimativa de Efeitos Médios de Tratamento Condicionais (CATEs) a partir de dados observacionais, o problema específico de aprender diretamente a classificação dos efeitos de tratamento permaneceu amplamente inexplorado.

As abordagens padrão para este problema geralmente seguem uma estratégia de "plug-in": primeiro estimam CATEs usando métodos de última geração (por exemplo, DR-learners ou R-learners) e, em seguida, classificam os indivíduos com base nessas estimativas. Os autores argumentam que essa estratégia resolve um problema mais difícil do que o necessário. Recuperar magnitudes de efeito precisas é computacional e estatisticamente mais exigente do que recuperar a ordem relativa correta. Além disso, as abordagens padrão de plug-in sofrem de viés de plug-in, onde erros de estimativa em funções de incômodo (superfícies de resposta e escores de propensão) transbordam diretamente para a classificação final, degradando o desempenho. Métodos de classificação direta existentes (por exemplo, abordagens baseadas em árvores) carecem de ortogonalidade de Neyman, tornando-os sensíveis a erros de estimativa de incômodo e faltando garantias teóricas robustas.

2. Metodologia: Rank-Learner

O artigo introduz o Rank-Learner, um novo aprendiz de duas etapas, agnóstico a modelos, projetado para otimizar diretamente a classificação dos efeitos de tratamento, garantindo robustez a erros de estimativa de funções de incômodo.

Princípios Centrais

1. Objetivo de Classificação Direta: Em vez de minimizar o erro quadrático médio entre as magnitudes de CATE previstas e verdadeiras (que é o objetivo dos estimadores padrão de CATE), o Rank-Learner otimiza um objetivo de classificação em pares. Este objetivo foca exclusivamente na ordem relativa dos efeitos de tratamento entre indivíduos.
2. Ortogonalidade de Neyman: O método constrói um objetivo de aprendizado que é ortogonal de Neyman em relação às funções de incômodo ($\eta = \{\mu_1, \mu_0, e\}$, representando superfícies de resposta e escores de propensão). Isso garante que o modelo de classificação de segunda etapa seja insensível de primeira ordem a erros de estimativa nas estimativas de incômodo de primeira etapa.
3. Surrogado Suave e Correção:
   • Como os verdadeiros efeitos de tratamento não são observados, o método utiliza uma função de perda de surrogado suave (perda de classificação suave) baseada em uma aproximação suave do alvo de classificação binária.
   • Para alcançar a ortogonalidade, os autores aplicam uma correção baseada na função de influência. Isso transforma os alvos suaves em pseudo-rótulos que incorporam uma correção de escore duplamente robusto.
   • A função de perda resultante, $L_{orth}$, é uma perda de entropia cruzada binária onde os rótulos são esses pseudo-rótulos corrigidos.

Fluxo de Trabalho Algorítmico

O Rank-Learner opera em duas etapas:

1. Estimativa de Incômodo (Etapa 1): Modelos flexíveis de aprendizado de máquina (por exemplo, redes neurais) são treinados para estimar as funções de incômodo ($\hat{\mu}_1, \hat{\mu}_0, \hat{e}$) usando cross-fitting para evitar sobreajuste.
2. Aprendizado Ortogonal (Etapa 2): Uma função de pontuação $g$ é treinada para minimizar o objetivo empírico de classificação ortogonal.
   • Os dados de treinamento consistem em pares de indivíduos.
   • Para cada par, um pseudo-rótulo é construído usando as funções de incômodo estimadas e o escore duplamente robusto.
   • Para escalar para grandes conjuntos de dados, o método emprega subamostragem de pares, otimizando a perda sobre um subconjunto aleatório de pares por época.
   • O parâmetro de suavidade $\kappa$ controla o compromisso entre recuperar a forma completa do CATE e focar puramente na classificação; ele é ajustado por métricas de validação (AUTOC aproximado).

Inferência: No momento da inferência, a função de pontuação treinada $g(x)$ é aplicada ponto a ponto para classificar os indivíduos. Nenhuma comparação em pares é necessária durante a implantação.

3. Contribuições Principais

Os autores destacam três contribuições primárias:

1. Estrutura do Rank-Learner: A proposta do primeiro aprendiz de duas etapas ortogonal de Neyman especificamente projetado para classificar efeitos de tratamento a partir de dados observacionais, contornando a necessidade de estimativa explícita da magnitude do CATE.
2. Garantias Teóricas: Uma prova formal de que o objetivo de aprendizado proposto é ortogonal de Neyman. Isso fornece robustez teórica, garantindo que o desempenho da classificação não seja severamente degradado por erros na estimativa de incômodo de primeira etapa.
3. Superioridade Empírica: Experimentos extensivos demonstrando que o Rank-Learner supera consistentemente os estimadores padrão de CATE (T-learner, DR-learner) e as linhas de base de classificação não ortogonais (classificadores de plug-in) em benchmarks sintéticos, semissintéticos e do mundo real.

4. Resultados Experimentais

Os autores avaliaram o Rank-Learner em três tipos de benchmarks:

• Benchmarks Sintéticos: Dados gerados onde as classificações verdadeiras são conhecidas. O Rank-Learner alcançou consistentemente um AUTOC (Área sob a Curva do Operador de Direcionamento) mais alto do que as linhas de base em todos os tamanhos de amostra. A diferença de desempenho foi mais significativa em regimes de pequena amostra, onde a estimativa de incômodo é difícil, validando o benefício da ortogonalidade.
• Benchmarks Semissintéticos: Usando covariáveis do mundo real do MovieLens (sistemas de recomendação), MIMIC-III (saúde) e CPS (política pública) com tratamentos simulados. O Rank-Learner manteve o desempenho mais forte, superando tanto os estimadores de CATE ponto a ponto quanto os classificadores não ortogonais.
• Benchmark de Ganho do Mundo Real: Avaliação no conjunto de dados de ganho CRITEO (publicidade online). Neste cenário com dados de treinamento confundidos e dados de teste randomizados, o Rank-Learner alcançou o maior AUUC (Área sob a Curva de Ganho) em tamanhos variados de conjuntos de teste.

Principais Descobertas:

• Otimizar diretamente para classificação produz melhores resultados do que estimar magnitudes primeiro.
• A ortogonalização fornece uma vantagem significativa sobre os métodos de plug-in, particularmente quando a estimativa de incômodo é imperfeita.
• O método é computacionalmente eficiente; o desempenho satura rapidamente mesmo ao usar apenas uma pequena fração (por exemplo, 1%) de todos os pares de treinamento possíveis.

5. Significado e Alegações

O artigo posiciona o Rank-Learner como uma ferramenta prática para praticantes que precisam priorizar indivíduos com base em efeitos de tratamento. Os autores afirmam que:

• Eficiência: Ao focar na tarefa de classificação diretamente, o método evita a dificuldade desnecessária de recuperar magnitudes de efeito precisas.
• Robustez: A formulação ortogonal de Neyman garante que o método permaneça robusto aos erros de estimativa inevitáveis nas funções de incômodo, uma propriedade ausente em abordagens anteriores de classificação direta.
• Flexibilidade: A estrutura é agnóstica a modelos e pode ser instanciada com modelos arbitrários de aprendizado de máquina (por exemplo, redes neurais), tornando-a adaptável a várias estruturas de dados.

Os autores concluem que o Rank-Learner preenche uma lacuna crítica na literatura de inferência causal ao fornecer o primeiro aprendiz de duas etapas ortogonal adaptado especificamente para a tarefa de classificar efeitos de tratamento, oferecendo tanto garantias teóricas quanto melhorias empíricas sobre estratégias existentes.