DARTS: 예산 제약 순차 실험에서 예측 변수(Prognostic Covariates) 타겟팅

무작위 대조 시험(Randomized controlled trials)은 일반적으로 예측 변수(prognostic covariates)가 알려져 있고 비용 없이 사용 가능하다고 가정합니다. 실제로는 고차원적인 사전 치료 데이터(pretreatment data)를 얻는 것이 비용이 많이 들기 때문에, 공변량 적응 정밀도(covariate-adaptive precision)와 측정 예산(measurement budget) 사이의 상충 관계가 발생합니다. 본 논문에서는 공변량 획득을 설계 기반 인과 추론 작업(design-based causal inference task) 내에 포함된 순차 최적화 문제로 다루는 동적 적응 재무작위화(Dynamic Adaptive Rerandomization via Thompson Sampling, DARTS)를 소개합니다. 예산 책정 조합형 톰슨 샘플러(budgeted combinatorial Thompson sampler)는 연속적인 배치(batch)에 걸쳐 어떤 공변량이 가장 예측적인지 학습하며, 선택된 공변량은 재무작위화(rerandomization)와 회귀 조정(regression adjustment)을 주도하여 배치 수준의 평균 치료 효과 분산(average treatment effect variance)을 줄입니다. 우리의 주요 이론적 기여는 디커플링 결과(decoupling result)입니다: 과거 배치를 기반으로 한 적응형 공변량 선택은 배치 수준 무작위화 유효성(batch-level randomization validity)을 유지하며, 누적 역분산 가중 추정기(cumulative inverse-variance weighted estimator)는 최소한 명목 점근적 커버리지(nominal asymptotic coverage)를 달성합니다. 또한 획득 계층(acquisition layer)에 대한 베이즈 위험 경계(Bayes risk bound)를 도출했으며, 이는 로그 인자(logarithmic factors)를 제외하고 미니맥스 하한(minimax lower bound)과 일치함을 보였습니다. 경험적으로, DARTS는 예산을 정보가 풍부한 특징(informative features)에 체계적으로 집중시켜 오라클 설계(oracle designs)와의 효율성 격차를 크게 줄이는 동시에 엄격한 추론적 유효성(inferential validity)을 유지합니다.