Data-Poisoning Audits for Causal Effect Estimation
因果效应估计的数据投毒审计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：摘要针对增强逆概率加权的治疗效应估计开展数据敏感性审计，直接服务于观察性因果推断。
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…
关注这篇论文的作者
因果效应估计的数据投毒审计
- 研究问题
- 多来源观察数据中，若攻击者只能追加符合约束的记录，增强逆概率加权治疗效应估计最多会被推移多少？
- 方法与思路
- 作者设定可行记录目录、追加预算和嵌套来源容量，以贪婪扫描计算固定拟合下的最坏移动，并用总影响分数处理重拟合。
- 材料陈述的贡献
- 摘要称，固定预处理与辅助模型时可获得精确有限样本最坏移动，并给出完全重拟合的保守界及局部影响预测。
- 阅读关注点
- 应核对可行记录与来源约束如何设定、贪婪扫描精确性的条件，以及重拟合界的保守程度和预算曲线的解释。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审与期刊接收未核实；精确结果依赖固定拟合和给定攻击目录，摘要未覆盖其他攻击方式。
原文摘要
Observational causal analyses increasingly pool records across sites, vendors, and collection systems, creating vulnerability to append-only attacks in which plausible records are strategically selected to alter a reported treatment effect. We develop a data-poisoning audit for augmented inverse-probability-weighted estimation. The analyst specifies a finite catalog of feasible records, an append budget, and nested source capacities, and the adversary selects a feasible subset to maximize movement in a prespecified direction. With preprocessing and nuisance fits held fixed, we propose a greedy scan that computes the exact finite-sample worst-case movement at every append budget. To account for nuisance refitting, we go on to derive a total-influence score combining each record's direct contribution with its effect through the propensity and outcome models. We further obtain a conservative finite-budget bound for the fully refitted estimate. Extensive simulations validate the exact result and show that total influence improves local refit prediction, while multisite and public-data analyses demonstrate material sensitivity at small append budgets. By translating adversarial data-composition risk into movement curves and critical budgets, the framework supports more reliable causal reporting and the design of source-level safeguards.