A Neural Mean Embedding Approach for Back-door and Front-door Adjustment
用于后门与前门调整的神经均值嵌入方法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：摘要明确以后门、前门调整及平均和反事实处理效应估计为研究对象，直接属于因果推断，神经网络本身不构成其他分类。
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
用于后门与前门调整的神经均值嵌入方法
- 研究问题
- 在后门或前门调整设置下，如何估计平均与反事实处理效应，并直接计算两阶段条件期望，减少抽样和密度估计的需要？
- 方法与思路
- 作者先学习结果变量的条件均值，再对第一阶段学得的输入特征进行回归以计算期望；各阶段使用神经网络，第一阶段末层要求线性。
- 材料陈述的贡献
- 摘要称，该方法收敛到真实因果参数，并在包括高维图像数据的因果基准上优于近期比较方法，同时避免显式抽样或密度估计。
- 阅读关注点
- 应核对后门与前门识别条件、两阶段期望的具体构造、网络收敛所需条件，以及基准比较的设置与第一阶段误差传递。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未列明识别与收敛条件，不能理解为任意隐藏混杂均可被处理。
原文摘要
We consider the estimation of average and counterfactual treatment effects, under two settings: back-door adjustment and front-door adjustment. The goal in both cases is to recover the treatment effect without having an access to a hidden confounder. This objective is attained by first estimating the conditional mean of the desired outcome variable given relevant covariates (the "first stage" regression), and then taking the (conditional) expectation of this function as a "second stage" procedure. We propose to compute these conditional expectations directly using a regression function to the learned input features of the first stage, thus avoiding the need for sampling or density estimation. All functions and features (and in particular, the output features in the second stage) are neural networks learned adaptively from data, with the sole requirement that the final layer of the first stage should be linear. The proposed method is shown to converge to the true causal parameter, and outperforms the recent state-of-the-art methods on challenging causal benchmarks, including settings involving high-dimensional image data.