Doubly Robust Functional Representation Learning for Longitudinal Causal Inference with Irregular Histories
不规则历史下纵向因果推断的双重稳健函数型表示学习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：摘要明确研究纵向干预目标、双重稳健估计及有效影响函数，直接属于因果推断，未提出面板固定效应模型。
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
不规则历史下纵向因果推断的双重稳健函数型表示学习
- 研究问题
- 纵向研究的历史以不规则且信息性采样的函数片段记录时，如何学习面向目标效应的表示，并支持双重稳健估计？
- 方法与思路
- 作者以交叉拟合的函数与时间编码器构造状态，估计结局、处理和删失函数，再用有效影响函数导向的验证与校准诊断。
- 材料陈述的贡献
- 摘要称状态保留必要干扰信息时，表示误差进入二阶乘积余项；明确条件下均值估计渐近线性，实证也报告标量摘要已较充分。
- 阅读关注点
- 应核对观测历史干预目标、状态信息保留、重叠与速率条件，以及信息性测量和 Catoni 点估计与 Wald 推断的区分。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未经核实；摘要未展开全部条件，模拟改善不保证表示学习在其他结局或数据中增益。
原文摘要
Longitudinal causal studies often record histories as irregular functional fragments: laboratory values, physiologic signals, sensor streams, and image-derived summaries measured at unequal and informative times. Standard doubly robust estimators usually require scalar summaries, whereas sequence learners optimize prediction losses that need not stabilize the efficient influence function. We propose Doubly Robust Functional Representation Learning (DR-FRL), a cross-fitted workflow that turns irregular histories into estimand-targeted states for observed-history regimes. Functional and temporal encoders map point clouds and prior histories into states; nuisance heads estimate outcome, treatment, and censoring functions; and EIF-targeted validation, calibration, overlap, tail, and ablation diagnostics assess whether the state supports the estimating equation. If the selected state preserves the nuisance information needed by the EIF, representation error enters the same second-order product remainder as ordinary nuisance error, and the mean estimator is asymptotically linear under explicit rate, overlap, calibration, and stability conditions. Catoni aggregation is treated separately as a bounded-influence point estimator, not a replacement for Wald inference. Simulations show gains when functional confounding is high-dimensional, measurement is informative, support is weak, or pseudo-outcomes are heavy-tailed. A VitalDB audit shows that DR-FRL can use irregular laboratory point clouds and deliver a useful negative finding: for this ICU-disposition endpoint, scalar laboratory summaries already carry much endpoint-relevant information.