Structure Maintained Representation Learning Neural Network for Causal Inference
用于因果推断的结构保持表征学习神经网络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：摘要以个体处理效应估计为目标，讨论处理组平衡、表征学习及观察数据应用，直接属于因果推断。
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
用于因果推断的结构保持表征学习神经网络
- 研究问题
- 用表征学习估计个体处理效应时，如何在处理组间分布平衡与协变量信息保留之间取得更好的权衡？
- 方法与思路
- 作者引入结构保持器维护原始协变量与高维表征的相关性，并在表征层后训练判别器，形成 SMRL 处理效应估计算法。
- 材料陈述的贡献
- 摘要称，判别器最小化处理效应估计误差的一个上界；模拟和观察数据比较显示所提算法表现较好，并用于 MIMIC-III 数据。
- 阅读关注点
- 应核对误差上界的假设、相关性保持与信息损失的关系，以及观察数据的识别条件和个体效应评估所用参照。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未列明识别条件或误差数值，预测改善不能单独保证个体因果效应可识别。
原文摘要
Recent developments in causal inference have greatly shifted the interest from estimating the average treatment effect to the individual treatment effect. In this article, we improve the predictive accuracy of representation learning and adversarial networks in estimating individual treatment effects by introducing a structure keeper which maintains the correlation between the baseline covariates and their corresponding representations in the high dimensional space. We train a discriminator at the end of representation layers to trade off representation balance and information loss. We show that the proposed discriminator minimizes an upper bound of the treatment estimation error. We can address the tradeoff between distribution balance and information loss by considering the correlations between the learned representation space and the original covariate feature space. We conduct extensive experiments with simulated and real-world observational data to show that our proposed Structure Maintained Representation Learning (SMRL) algorithm outperforms state-of-the-art methods. We also demonstrate the algorithms on real electronic health record data from the MIMIC-III database.