Learning high-dimensional causal effect
高维因果效应学习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：摘要直接构造高维合成因果数据并比较神经网络的处理效应估计，支持因果推断，没有其他细分方向的明确依据。
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…
关注这篇论文的作者
高维因果效应学习
- 研究问题
- 在高维因果推断数据集稀缺的情况下，如何基于图像构造合成因果任务，并比较不同神经网络结构对处理效应的估计表现？
- 方法与思路
- 作者用 MNIST 图像及伯努利处理变量构造高维合成因果数据，比较 Dragonnet 与修改结构，考察初始网络层和目标正则化的作用。
- 材料陈述的贡献
- 摘要称，修改后的结构在该合成任务中估计更好，残差与 Transformer 模型无需目标正则化也能较接近地估计处理效应。
- 阅读关注点
- 核对合成数据的处理分配、潜在结局与真效应生成方式，比较指标、训练与评估划分，以及网络改动和正则化比较是否公平。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收未核实；摘要未给出数据生成细节及数值误差，合成任务表现不能直接推广至真实因果研究。
原文摘要
The scarcity of high-dimensional causal inference datasets restricts the exploration of complex deep models. In this work, we propose a method to generate a synthetic causal dataset that is high-dimensional. The synthetic data simulates a causal effect using the MNIST dataset with Bernoulli treatment values. This provides an opportunity to study varieties of models for causal effect estimation. We experiment on this dataset using Dragonnet architecture (Shi et al. (2019)) and modified architectures. We use the modified architectures to explore different types of initial Neural Network layers and observe that the modified architectures perform better in estimations. We observe that residual and transformer models estimate treatment effect very closely without the need for targeted regularization, introduced by Shi et al. (2019).