Targeted Sequential Indirect Experiment Design
面向目标因果问题的序贯间接实验设计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：摘要以混杂下因果效应的上下界和间接干预设计为核心，直接对应因果推断。
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…
面向目标因果问题的序贯间接实验设计
- 研究问题
- 当实验只能间接扰动目标变量且混杂仍然存在时，如何序贯选择实验，以缩小多维非线性机制中目标因果量的识别区间？
- 方法与思路
- 作者用自适应实验设计逐步缩小目标量上下界之间的距离，一般问题采用双层优化，并为因果效应推导核方法界限估计量。
- 材料陈述的贡献
- 摘要称，该方法将间接实验设计聚焦于目标问题的界限收缩，并在存在混杂、多变量及非线性的合成环境中展示有效性。
- 阅读关注点
- 应核对间接干预的允许形式、上下界成立的识别限制、实验选择准则，以及核估计量与双层优化的计算和统计性质。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出界限有效性条件或真实数据验证，不能推定目标效应可被点识别。
原文摘要
Scientific hypotheses typically concern specific aspects of complex, imperfectly understood or entirely unknown mechanisms, such as the effect of gene expression levels on phenotypes or how microbial communities influence environmental health. Such queries are inherently causal (rather than purely associational), but in many settings, experiments can not be conducted directly on the target variables of interest, but are indirect. Therefore, they perturb the target variable, but do not remove potential confounding factors. If, additionally, the resulting experimental measurements are multi-dimensional and the studied mechanisms nonlinear, the query of interest is generally not identified. We develop an adaptive strategy to design indirect experiments that optimally inform a targeted query about the ground truth mechanism in terms of sequentially narrowing the gap between an upper and lower bound on the query. While the general formulation consists of a bi-level optimization procedure, we derive an efficiently estimable analytical kernel-based estimator of the bounds for the causal effect, a query of key interest, and demonstrate the efficacy of our approach in confounded, multivariate, nonlinear synthetic settings.