Optimization-based Causal Estimation from Heterogenous Environments
基于异质环境优化的因果估计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：摘要以跨环境不变性识别因果协变量、估计作用强度和预测干预结果为核心，文本直接支持因果推断分类。
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…
关注这篇论文的作者
基于异质环境优化的因果估计
- 研究问题
- 当预测变量同时包含真实原因与伪关联时，如何利用多个环境之间的分布变化，识别原因并估计其对结果的作用强度？
- 方法与思路
- 作者提出 CoCo 优化算法，利用跨环境保持不变的因果关系与变化的协变量分布，构建用于寻找因果解的目标函数。
- 材料陈述的贡献
- 摘要称，环境具有足够异质性时目标函数仅有因果解；模拟与真实数据中，因果模型估计和干预预测优于所比较方法。
- 阅读关注点
- 应核对因果关系不变和环境异质性的精确定义、唯一解定理的其他条件，以及优化算法是否能实际找到该解。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。摘要未列出完整识别条件或比较数值，不能把跨环境变化视为自动识别因果。
原文摘要
This paper presents a new optimization approach to causal estimation. Given data that contains covariates and an outcome, which covariates are causes of the outcome, and what is the strength of the causality? In classical machine learning (ML), the goal of optimization is to maximize predictive accuracy. However, some covariates might exhibit a non-causal association with the outcome. Such spurious associations provide predictive power for classical ML, but they prevent us from causally interpreting the result. This paper proposes CoCo, an optimization algorithm that bridges the gap between pure prediction and causal inference. CoCo leverages the recently-proposed idea of environments, datasets of covariates/response where the causal relationships remain invariant but where the distribution of the covariates changes from environment to environment. Given datasets from multiple environments-and ones that exhibit sufficient heterogeneity-CoCo maximizes an objective for which the only solution is the causal solution. We describe the theoretical foundations of this approach and demonstrate its effectiveness on simulated and real datasets. Compared to classical ML and existing methods, CoCo provides more accurate estimates of the causal model and more accurate predictions under interventions.