Interventional Processes for Causal Uncertainty Quantification
用于因果不确定性量化的干预过程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：摘要明确以观察性数据中的干预函数、因果效应估计和因果不确定性量化为目标。
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
用于因果不确定性量化的干预过程
- 研究问题
- 当目标是完整干预函数而非单个因果效应时，如何从观察性数据构造可计算的后验，并使函数估计的不确定性得到可靠校准？
- 方法与思路
- 作者利用再生核希尔伯特空间中观察函数的内积表示，构造相应高斯过程先验，推导闭式后验矩，并提供后验覆盖校准程序。
- 材料陈述的贡献
- 摘要称该构造避免既有先验的一些病态问题，并在合成基准、因果贝叶斯优化和真实数据中改善不确定性量化，同时保持效应估计竞争力。
- 阅读关注点
- 应核对干预函数内积表示所需的识别条件、先验如何处理函数空间限制，以及覆盖校准针对逐点区间还是整条函数的联合覆盖。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未列出识别与覆盖保证的条件，也未提供具体比较结果。
原文摘要
Reliable uncertainty quantification for causal effects is crucial in high-stakes applications, but remains challenging when the target is an entire function rather than a scalar estimand. In this work, we introduce a GP-based approach for uncertainty quantification of interventional functions. The central idea is to build on recent work representing interventional functions as an inner-product of observational functions in a reproducing kernel Hilbert space (RKHS), by constructing appropriate GP priors for such functions and inferring posteriors from observational data. Our approach yields closed-form posterior moments and tractable training and inference, while avoiding pathologies of previous GP prior constructions for RKHS functions. We further derive a practical procedure for posterior coverage calibration. Across synthetic benchmarks, causal Bayesian optimization tasks, and a large-scale real dataset, our method improves uncertainty quantification while remaining competitive in causal effect estimation.