NCoRE: Neural Counterfactual Representation Learning for Combinations of Treatments
NCoRE：组合治疗的神经网络反事实表示学习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：摘要直接研究观察数据下组合治疗的潜在响应与反事实治疗效应，治疗间交互并未提供网络干扰的依据。
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…
NCoRE：组合治疗的神经网络反事实表示学习
- 研究问题
- 观察数据中多个干预同时实施且可能相互作用时，如何学习个体的潜在响应，并估计组合治疗的反事实效应？
- 方法与思路
- 作者提出分支条件神经表示，加入可学习的治疗交互调节模块，显式建模多种治疗组合及其潜在因果生成过程。
- 材料陈述的贡献
- 摘要称 NCoRE 在合成、半合成和真实数据基准中，显著优于未考虑组合治疗影响的既有反事实效应估计方法。
- 阅读关注点
- 应核对观察数据识别假设、治疗组合的支持与覆盖，以及交互模块设计、真实基准的反事实真值来源和比较公平性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明因果识别条件、具体基准与效应数值，不能将预测优势视为识别保证。
原文摘要
Estimating an individual's potential response to interventions from observational data is of high practical relevance for many domains, such as healthcare, public policy or economics. In this setting, it is often the case that combinations of interventions may be applied simultaneously, for example, multiple prescriptions in healthcare or different fiscal and monetary measures in economics. However, existing methods for counterfactual inference are limited to settings in which actions are not used simultaneously. Here, we present Neural Counterfactual Relation Estimation (NCoRE), a new method for learning counterfactual representations in the combination treatment setting that explicitly models cross-treatment interactions. NCoRE is based on a novel branched conditional neural representation that includes learnt treatment interaction modulators to infer the potential causal generative process underlying the combination of multiple treatments. Our experiments show that NCoRE significantly outperforms existing state-of-the-art methods for counterfactual treatment effect estimation that do not account for the effects of combining multiple treatments across several synthetic, semi-synthetic and real-world benchmarks.