Frugal, Flexible, Faithful: Causal Data Simulation via Frengression
简约、灵活、忠实：通过 Frengression 模拟因果数据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：摘要以因果边际建模、干预分布采样和因果方法评估为核心，支持因果推断；时变数据描述不足以另归面板方向。
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…
简约、灵活、忠实：通过 Frengression 模拟因果数据
- 研究问题
- 如何围绕研究者关心的因果边际建立灵活生成模型，使多变量、时变数据的模拟与指定干预分布的采样相一致？
- 方法与思路
- 作者提出 frengression，以深度生成模型实现简约参数化，围绕因果边际建模协变量、处理和结局的联合分布。
- 材料陈述的贡献
- 摘要称，该框架支持估计、时变数据模拟及指定干预分布的直接采样，建立一致性和外推保证，并以临床试验数据验证。
- 阅读关注点
- 应核对因果边际如何参数化、观察与干预分布如何连接，以及一致性、外推保证和真实数据验证所需的具体条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明识别和外推条件，生成分布贴合数据不自动验证因果真实性。
原文摘要
Machine learning has revitalized causal inference by combining flexible models and principled estimators, yet robust benchmarking and evaluation remain challenging with real-world data. In this work, we introduce frengression, a deep generative realization of the frugal parameterization that models the joint distribution of covariates, treatments and outcomes around the causal margin of interest. Frengression provides accurate estimation and flexible, faithful simulation of multivariate, time-varying data; it also enables direct sampling from user-specified interventional distributions. Model consistency and extrapolation guarantees are established, with validation on real-world clinical trial data demonstrating frengression's practical utility. We envision this framework sparking new research into generative approaches for causal margin modelling.