Ensembled Prediction Intervals for Causal Outcomes Under Hidden Confounding
隐藏混杂下因果结果的集成预测区间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：摘要围绕隐藏混杂、因果敏感性模型和潜在结果的部分识别展开；结果区间不直接等同于分位数或分布处理效应。
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…
隐藏混杂下因果结果的集成预测区间
- 研究问题
- 隐藏混杂使个体因果结果只能部分识别时，能否利用深度集成的结构，在保持充分覆盖的同时缩小结果区间？
- 方法与思路
- 作者提出 Caus-Modens，以调制集成结合既有因果敏感性模型构造部分识别区间，并在三个不同基准上评估。
- 材料陈述的贡献
- 摘要称，该方法在达到充分覆盖所需的区间宽度上表现更紧，其中一个基准使用 GPT-4 构造可探查真值的观察实验。
- 阅读关注点
- 应核对敏感性参数的含义、集成结构缩小区间所依据的限制，以及覆盖评价是否对应理论保证或仅为实证结果。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要提及既有方法的有限样本保证，未明确赋予新方法同样保证。
原文摘要
Causal inference of exact individual treatment outcomes in the presence of hidden confounders is rarely possible. Recent work has extended prediction intervals with finite-sample guarantees to partially identifiable causal outcomes, by means of a sensitivity model for hidden confounding. In deep learning, predictors can exploit their inductive biases for better generalization out of sample. We argue that the structure inherent to a deep ensemble should inform a tighter partial identification of the causal outcomes that they predict. We therefore introduce an approach termed Caus-Modens, for characterizing causal outcome intervals by modulated ensembles. We present a simple approach to partial identification using existing causal sensitivity models and show empirically that Caus-Modens gives tighter outcome intervals, as measured by the necessary interval size to achieve sufficient coverage. The last of our three diverse benchmarks is a novel usage of GPT-4 for observational experiments with unknown but probeable ground truth.