Controlling for discrete unmeasured confounding in nonlinear causal models
非线性因果模型中离散未测量混杂的控制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：摘要明确以未测量离散混杂的检测、校正和因果关系识别为目标，直接属于因果推断，而非一般潜变量预测。
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…
非线性因果模型中离散未测量混杂的控制
- 研究问题
- 非实验数据存在未测量的离散混杂时，能否借助潜变量模型的可识别性检测并校正混杂，从而支持非线性因果关系分析？
- 方法与思路
- 作者假定观测数据是潜在高斯混合模型的分段仿射变换，且混合成分身份受到混杂，扩展识别结果并用流模型算法估计和去混杂。
- 材料陈述的贡献
- 摘要称，在所述模型假设下可理论上检测和校正混杂，并提出相应估计算法；合成及真实数据实验为方法有效性提供支持。
- 阅读关注点
- 应核对混合成分身份受到混杂的具体含义、分段仿射及高斯混合条件，以及识别结果如何转化为算法和因果效应估计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核验；结论依赖摘要列出的模型结构，完整条件与实验数值未说明，不能推广到任意隐藏混杂。
原文摘要
Unmeasured confounding is a major challenge for identifying causal relationships from non-experimental data. Here, we propose a method that can accommodate unmeasured discrete confounding. Extending recent identifiability results in deep latent variable models, we show theoretically that confounding can be detected and corrected under the assumption that the observed data is a piecewise affine transformation of a latent Gaussian mixture model and that the identity of the mixture components is confounded. We provide a flow-based algorithm to estimate this model and perform deconfounding. Experimental results on synthetic and real-world data provide support for the effectiveness of our approach.