Bounding Counterfactuals under Selection Bias
选择偏差下反事实量的界限计算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：摘要围绕选择偏差下因果查询的识别与界限计算展开，直接对应因果推断方向。
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…
选择偏差下反事实量的界限计算
- 研究问题
- 当某些子总体被系统性排除而产生选择偏差时，如何同时处理可识别与不可识别的因果查询，并为后者计算界限？
- 方法与思路
- 作者利用其所证明的可用数据似然单峰性质，通过因果期望最大化方案计算可识别查询的值或不可识别查询的界限。
- 材料陈述的贡献
- 摘要称算法统一处理两类查询，给出似然单峰性与理论收敛刻画，并以实验展示计算方案的实际可行性。
- 阅读关注点
- 应核对因果模型与选择机制的设定、单峰结论适用的参数空间、界限是否紧，以及算法收敛结论与实现的对应关系。
- 阅读边界
- 这是预印本，不能据此确认同行评审或期刊接收；摘要未说明单峰性和收敛的具体条件，也未报告界限宽度或计算规模。
原文摘要
Causal analysis may be affected by selection bias, which is defined as the systematic exclusion of data from a certain subpopulation. Previous work in this area focused on the derivation of identifiability conditions. We propose instead a first algorithm to address both identifiable and unidentifiable queries. We prove that, in spite of the missingness induced by the selection bias, the likelihood of the available data is unimodal. This enables us to use the causal expectation-maximisation scheme to obtain the values of causal queries in the identifiable case, and to compute bounds otherwise. Experiments demonstrate the approach to be practically viable. Theoretical convergence characterisations are provided.