ODE Discovery for Longitudinal Heterogeneous Treatment Effects Inference
用于纵向异质性处理效应推断的常微分方程发现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：摘要直接讨论纵向异质性处理效应、处理分配偏差与识别假设，因此最直接归入因果推断领域细分。
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…
用于纵向异质性处理效应推断的常微分方程发现
- 研究问题
- 纵向处理效应方法多以神经网络作为推断模型；本文研究能否用显式常微分方程描述动态效应，并支持解释与不规则采样。
- 方法与思路
- 作者通过连续优化学习常微分方程，将学得的方程用作纵向处理效应推断模型，并提出将方程发现方法转化为效应方法的框架。
- 材料陈述的贡献
- 摘要称，该框架提供了不同于神经网络的推断形式，具有可解释性、处理不规则采样等优势，并采用不同的一组识别假设。
- 阅读关注点
- 应核对处理进入方程的方式、动态反事实的定义、识别假设与分配偏差处理，以及方程发现误差如何影响效应估计和不确定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未列出识别条件、具体方程或验证结果，不能据此认定推断无偏。
原文摘要
Inferring unbiased treatment effects has received widespread attention in the machine learning community. In recent years, our community has proposed numerous solutions in standard settings, high-dimensional treatment settings, and even longitudinal settings. While very diverse, the solution has mostly relied on neural networks for inference and simultaneous correction of assignment bias. New approaches typically build on top of previous approaches by proposing new (or refined) architectures and learning algorithms. However, the end result -- a neural-network-based inference machine -- remains unchallenged. In this paper, we introduce a different type of solution in the longitudinal setting: a closed-form ordinary differential equation (ODE). While we still rely on continuous optimization to learn an ODE, the resulting inference machine is no longer a neural network. Doing so yields several advantages such as interpretability, irregular sampling, and a different set of identification assumptions. Above all, we consider the introduction of a completely new type of solution to be our most important contribution as it may spark entirely new innovations in treatment effects in general. We facilitate this by formulating our contribution as a framework that can transform any ODE discovery method into a treatment effects method.