Deep Counterfactual Estimation with Categorical Background Variables
类别型背景变量下的深度反事实估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心是观测数据下的反事实查询、结构方程不可识别问题及附加假设。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
类别型背景变量下的深度反事实估计
- 研究问题
- 当观测分布通常不足以识别真实结构方程模型时，主要潜在处理响应来源为类别型变量的限制能否支持可靠反事实预测？
- 方法与思路
- 作者在背景变量为类别型、观测为连续型的设定下提出 CFQP 方法，从观测数据推断反事实，并在时间序列和图像数据上评估。
- 材料陈述的贡献
- 摘要称该类别型潜在来源假设支持可靠预测，并报告相对既有深度反事实方法的理论与经验优势，但未给出具体条件或幅度。
- 阅读关注点
- 应核对类别型潜变量假设之外的识别限制、可靠预测的数学定义、反事实评价基准，以及理论结论与时间序列及图像实验的对应。
- 阅读边界
- 所据为 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明完整识别条件，不能仅凭潜变量为类别型就断言反事实可识别。
原文摘要
Referred to as the third rung of the causal inference ladder, counterfactual queries typically ask the "What if ?" question retrospectively. The standard approach to estimate counterfactuals resides in using a structural equation model that accurately reflects the underlying data generating process. However, such models are seldom available in practice and one usually wishes to infer them from observational data alone. Unfortunately, the correct structural equation model is in general not identifiable from the observed factual distribution. Nevertheless, in this work, we show that under the assumption that the main latent contributors to the treatment responses are categorical, the counterfactuals can be still reliably predicted. Building upon this assumption, we introduce CounterFactual Query Prediction (CFQP), a novel method to infer counterfactuals from continuous observations when the background variables are categorical. We show that our method significantly outperforms previously available deep-learning-based counterfactual methods, both theoretically and empirically on time series and image data. Our code is available at https://github.com/edebrouwer/cfqp.