RepFlow: Representation Enhanced Flow Matching for Causal Effect Estimation
RepFlow：用于因果效应估计的表示增强流匹配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：摘要同时研究因果效应估计、潜在结果分布建模及分布效应评价。
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
RepFlow：用于因果效应估计的表示增强流匹配
- 研究问题
- 如何在观察性数据中同时处理选择偏差与反事实缺失，并将因果效应估计从点估计扩展到潜在结果分布建模？
- 方法与思路
- 作者联合优化表示学习与条件流匹配，以熵正则化 Wasserstein 距离平衡两组表示，并用二范数归一化提升数值稳定性。
- 材料陈述的贡献
- 摘要提出 RepFlow 分布建模框架，并声称在多类基准上，点效应与分布效应估计均优于所比较的现有方法。
- 阅读关注点
- 应核对潜在结果分布的识别目标、表示平衡是否保留混杂信息，以及分布评价指标、基线配置与反事实验证方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出识别假设和数值结果，表示平衡不能自行排除未测混杂。
原文摘要
Estimating causal effects from observational data has become increasingly critical in diverse fields including healthcare, economics, and social policy. The fundamental challenge in causal inference arises from the missing counterfactuals and the selection bias. Existing methods are largely limited to point estimates and lack the capacity for distribution modeling. In this work, we propose RepFlow, a novel framework that formulates causal effect estimation as a joint optimization problem integrating representation learning with Conditional Flow Matching (CFM). RepFlow mitigates selection bias by minimizing the entropically regularized Wasserstein distance between treated and control representations. To enhance numerical stability, we further introduce an $L_2$ normalization constraint on latent representations. This balanced representation enables the flow model to accurately capture the distribution of potential outcomes. Extensive experiments across a wide range of benchmarks demonstrate that RepFlow consistently outperforms existing methods in both point and distributional causal effect estimation.