CausalGuard: Conformal Inference under Graph Uncertainty
CausalGuard：因果图不确定性下的保形推断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：摘要明确讨论因果图不确定性、调整集、双重稳健估计及条件平均处理效应。
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…
关注这篇论文的作者
CausalGuard：因果图不确定性下的保形推断
- 研究问题
- 观察数据中调整集依赖未知因果图，如何整合多个候选图来校准推断，并区分聚合伪结局的覆盖保证与条件平均处理效应的识别？
- 方法与思路
- 作者以大语言模型边先验生成候选 DAG，经条件独立检验剪枝及 BIC 加权，聚合各图的双重稳健伪结局，再以复合分数作保形校准。
- 材料陈述的贡献
- 摘要称聚合伪结局具有有限样本边际覆盖保证，其条件均值在另列条件下收敛到 CATE；基准与压力测试展示覆盖和区间宽度表现。
- 阅读关注点
- 应重点核对覆盖对象、校准所需条件、候选图集是否包含有效调整策略，以及因果识别、重叠和权重集中条件如何支撑 CATE 收敛。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或期刊接收未核实；伪结局的边际覆盖不等于真实 CATE 的有限样本覆盖，摘要未展开全部条件。
原文摘要
Estimating treatment effects from observational data requires choosing an adjustment set, but valid adjustment depends on an unknown causal graph. Graph misspecification can cause under-coverage, while graph-agnostic conformal wrappers may regain nominal coverage only through large padding. We introduce CausalGuard, a structure-weighted conformal framework that calibrates after aggregating graph-conditional doubly robust pseudo-outcomes. Candidate DAGs are proposed from an LLM-derived edge prior, pruned by conditional-independence tests, and reweighted by Bayesian Information Criterion. A composite nonconformity score then calibrates the posterior-weighted pseudo-outcome. CausalGuard provides distribution-free finite-sample marginal coverage for this aggregated pseudo-outcome; under causal identification, overlap, conditional-mean nuisance stability, and concentration on target-aligned valid adjustment strategies, its conditional mean converges to the true Conditional Average Treatment Effect. Across five benchmarks, CausalGuard attains mean coverage above the nominal 90% level for the directly evaluable target and reduces width when graph-agnostic conformal baselines require large padding. Stress tests show that CausalGuard suppresses invalid collider adjustment and remains stable under misspecified priors when the retained candidate set is data-supported.