A Primer on Deep Learning for Causal Inference
因果推断中的深度学习入门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：摘要明确以潜在结果、观察性因果估计和异质处理效应为核心。
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…
因果推断中的深度学习入门
- 研究问题
- 在潜在结果框架下，深度神经网络如何服务于观察性因果估计，尤其是异质处理效应及复杂、时变或非结构化混杂的处理？
- 方法与思路
- 作者系统整理相关文献，介绍因果推断与深度学习基础，讲解主要算法，并提供 TensorFlow 2 下实现、训练和选择估计器的教程。
- 材料陈述的贡献
- 摘要将聚焦观察性因果估计、扩展算法讲解和详细实现教程列为综述特点，并讨论文本、网络和图像中混杂信息的利用。
- 阅读关注点
- 应核对各类深度估计器对应的因果目标、识别条件与训练准则，尤其区分预测表现、混杂调整能力和处理效应估计的有效性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明综述覆盖范围或算法比较结果，教程及代码可用性也未经核验。
原文摘要
This review systematizes the emerging literature for causal inference using deep neural networks under the potential outcomes framework. It provides an intuitive introduction on how deep learning can be used to estimate/predict heterogeneous treatment effects and extend causal inference to settings where confounding is non-linear, time varying, or encoded in text, networks, and images. To maximize accessibility, we also introduce prerequisite concepts from causal inference and deep learning. The survey differs from other treatments of deep learning and causal inference in its sharp focus on observational causal estimation, its extended exposition of key algorithms, and its detailed tutorials for implementing, training, and selecting among deep estimators in Tensorflow 2 available at github.com/kochbj/Deep-Learning-for-Causal-Inference.