NESTER: An Adaptive Neurosymbolic Method for Causal Effect Estimation
NESTER：用于因果效应估计的自适应神经符号方法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中的因果效应估计，并结合潜在结果框架与倾向得分相关设计，因此归入因果推断。
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…
NESTER：用于因果效应估计的自适应神经符号方法
- 研究问题
- 观察数据的因果效应估计方法常分别针对倾向得分或随机化等方面设计网络；如何将这些归纳偏置整合进可自适应的框架？
- 方法与思路
- 作者提出 NESTER，将已有多头神经网络中的因果归纳偏置整合起来，并设计面向因果效应估计的领域专用语言。
- 材料陈述的贡献
- 摘要称，方法统一了多种已有设计思路，提供有关因果效应估计能力的理论分析，并在基准数据实验中优于所比较的方法。
- 阅读关注点
- 应核对领域专用语言能表达的架构与约束、自适应选择的具体机制，以及识别假设、理论结论和基准评估的真实效应依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明适应机制和理论条件，基准优势不足以证明在任意观察数据上有效。
原文摘要
Causal effect estimation from observational data is a central problem in causal inference. Methods based on potential outcomes framework solve this problem by exploiting inductive biases and heuristics from causal inference. Each of these methods addresses a specific aspect of causal effect estimation, such as controlling propensity score, enforcing randomization, etc., by designing neural network (NN) architectures and regularizers. In this paper, we propose an adaptive method called Neurosymbolic Causal Effect Estimator (NESTER), a generalized method for causal effect estimation. NESTER integrates the ideas used in existing methods based on multi-head NNs for causal effect estimation into one framework. We design a Domain Specific Language (DSL) tailored for causal effect estimation based on causal inductive biases used in literature. We conduct a theoretical analysis to investigate NESTER's efficacy in estimating causal effects. Our comprehensive empirical results show that NESTER performs better than state-of-the-art methods on benchmark datasets.