Text-Transport: Toward Learning Causal Effects of Natural Language
Text-Transport：自然语言因果效应的跨域迁移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：摘要直接研究语言属性干预、因果效应估计和跨域迁移；文本分布变化并不等同于处理造成的分布效应研究。
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…
Text-Transport：自然语言因果效应的跨域迁移
- 研究问题
- 当满足因果估计条件的文本数据不代表目标领域时，如何将语言属性对读者反应的因果效应迁移到目标文本分布？
- 方法与思路
- 作者以分布偏移刻画文本领域差异，构造跨域迁移因果效应的估计量，并推导其不确定性的统计保证。
- 材料陈述的贡献
- 摘要称，该方法减少对目标域强假设的依赖，并通过实证支持有效性；仇恨言论应用展示因果效应随文本领域变化。
- 阅读关注点
- 应核对语言属性干预的定义、源域识别要求、跨域迁移条件和分布重叠要求，以及不确定性保证覆盖的误差来源。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出迁移条件，不能将任意文本分布表述理解为无条件识别。
原文摘要
As language technologies gain prominence in real-world settings, it is important to understand how changes to language affect reader perceptions. This can be formalized as the causal effect of varying a linguistic attribute (e.g., sentiment) on a reader's response to the text. In this paper, we introduce Text-Transport, a method for estimation of causal effects from natural language under any text distribution. Current approaches for valid causal effect estimation require strong assumptions about the data, meaning the data from which one can estimate valid causal effects often is not representative of the actual target domain of interest. To address this issue, we leverage the notion of distribution shift to describe an estimator that transports causal effects between domains, bypassing the need for strong assumptions in the target domain. We derive statistical guarantees on the uncertainty of this estimator, and we report empirical results and analyses that support the validity of Text-Transport across data settings. Finally, we use Text-Transport to study a realistic setting--hate speech on social media--in which causal effects do shift significantly between text domains, demonstrating the necessity of transport when conducting causal inference on natural language.