Context-dependent Causality (the Non-Nonotonic Case)
情境依赖的因果关系：非单调情形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：摘要明确提出因果识别策略，并在非参数三角结构模型中构造估计方法，对应因果推断与结构估计。
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
情境依赖的因果关系：非单调情形
- 研究问题
- 在含不可分离扰动的非参数三角模型中，如何放弃严格单调性要求，识别潜在情境影响下的因果关系？
- 方法与思路
- 作者以扩散模型描述结构方程，建立含未知核的 Fredholm 积分方程系统，并提出 CONGAN 求解非单调逆问题。
- 材料陈述的贡献
- 摘要称，当核密度可表示为无限高斯混合时，未知函数存在唯一解，并提出相应识别策略与神经网络估计方法。
- 阅读关注点
- 核对高斯混合表示之外的全部条件、未知核与目标函数的识别逻辑，以及 CONGAN 的求解目标和统计保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列完整定理条件，不能将所述唯一性推广到任意未知核。
原文摘要
We develop a novel identification strategy as well as a new estimator for context-dependent causal inference in non-parametric triangular models with non-separable disturbances. Departing from the common practice, our analysis does not rely on the strict monotonicity assumption. Our key contribution lies in leveraging on diffusion models to formulate the structural equations as a system evolving from noise accumulation to account for the influence of the latent context (confounder) on the outcome. Our identifiability strategy involves a system of Fredholm integral equations expressing the distributional relationship between a latent context variable and a vector of observables. These integral equations involve an unknown kernel and are governed by a set of structural form functions, inducing a non-monotonic inverse problem. We prove that if the kernel density can be represented as an infinite mixture of Gaussians, then there exists a unique solution for the unknown function. This is a significant result, as it shows that it is possible to solve a non-monotonic inverse problem even when the kernel is unknown. On the methodological front we leverage on a novel and enriched Contaminated Generative Adversarial (Neural) Networks (CONGAN) which we provide as a solution to the non-monotonic inverse problem.