Causal Interventional Prediction System for Robust and Explainable Effect Forecasting
因果干预预测系统：稳健且可解释的效应预测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：摘要明确使用治疗、混杂、调整变量及因果干预建模，未说明时间序列或收益预测任务。
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…
因果干预预测系统：稳健且可解释的效应预测
- 研究问题
- 面对隐藏偏差和信息缺失，如何在效应预测任务中利用因果关系建模，改善人工智能预测系统的稳健性与可解释性？
- 方法与思路
- 作者围绕治疗、调整变量、混杂变量和结局建立因果图，并结合变分自编码器与完全条件指定多重插补构造 CIPS。
- 材料陈述的贡献
- 摘要称所提系统在实验中优于现有先进方法，并具有实用的通用性与扩展性，但未提供这些比较的具体任务和指标。
- 阅读关注点
- 应核对干预预测目标、因果图与调整集的依据、缺失机制假设，以及比较设计是否分别检验稳健性和可解释性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明识别条件、数据或数值结果，不能据此确认因果有效性及普遍优越性。
原文摘要
Although the widespread use of AI systems in today's world is growing, many current AI systems are found vulnerable due to hidden bias and missing information, especially in the most commonly used forecasting system. In this work, we explore the robustness and explainability of AI-based forecasting systems. We provide an in-depth analysis of the underlying causality involved in the effect prediction task and further establish a causal graph based on treatment, adjustment variable, confounder, and outcome. Correspondingly, we design a causal interventional prediction system (CIPS) based on a variational autoencoder and fully conditional specification of multiple imputations. Extensive results demonstrate the superiority of our system over state-of-the-art methods and show remarkable versatility and extensibility in practice.