Causal survival embeddings: non-parametric counterfactual inference under censoring
因果生存嵌入：删失下的非参数反事实推断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：摘要直接研究混杂下的反事实生存结果，并以核均值嵌入描述事件时间分布，支持因果推断与分布分析分类。
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…
因果生存嵌入：删失下的非参数反事实推断
- 研究问题
- 当事件发生时间数据同时受到混杂和右删失影响时，如何开展非参数反事实生存估计、预测及相关假设检验？
- 方法与思路
- 作者利用再生核希尔伯特空间与核均值嵌入构建反事实生存分析框架，并通过该空间取值的经验过程分析估计量。
- 材料陈述的贡献
- 摘要称，框架为不完整观测下的反事实生存估计提供新工具，模拟与 SPRINT 试验应用显示结果与已有平行分析相协调。
- 阅读关注点
- 应核对混杂与右删失各自所需的识别条件、嵌入所表示的生存分布，以及理论结果如何支持预测和假设检验。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明删失机制条件，也未充分交代所述检验功能的保证与数值表现。
原文摘要
Model-free time-to-event regression under confounding presents challenges due to biases introduced by causal and censoring sampling mechanisms. This phenomenology poses problems for classical non-parametric estimators like Beran's or the k-nearest neighbours algorithm. In this study, we propose a natural framework that leverages the structure of reproducing kernel Hilbert spaces (RKHS) and, specifically, the concept of kernel mean embedding to address these limitations. Our framework has the potential to enable statistical counterfactual modeling, including counterfactual prediction and hypothesis testing, under right-censoring schemes. Through simulations and an application to the SPRINT trial, we demonstrate the practical effectiveness of our method, yielding coherent results when compared to parallel analyses in existing literature. We also provide a theoretical analysis of our estimator through an RKHS-valued empirical process. Our approach offers a novel tool for performing counterfactual survival estimation in observational studies with incomplete information. It can also be complemented by state-of-the-art algorithms based on semi-parametric and parametric models.