End-to-End Balancing for Causal Continuous Treatment-Effect Estimation
连续处理因果效应估计的端到端平衡方法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：摘要明确研究观察性连续处理的因果效应，并以逆倾向得分加权与熵平衡作为方法。
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…
连续处理因果效应估计的端到端平衡方法
- 研究问题
- 在观察性连续处理研究中，如何构造稳定的逆倾向得分权重，使其适配具体数据和因果估计算法并提高估计准确性？
- 方法与思路
- 作者在熵平衡基础上设计端到端优化算法，直接围绕因果估计准确性学习权重，并在优化中调整数据与算法的适配。
- 材料陈述的贡献
- 摘要称提供了一致性理论分析，并在合成与真实数据上得到优于基准熵平衡的估计准确性，但未报告改善幅度。
- 阅读关注点
- 应核对优化目标如何在数据中计算、权重稳定性的约束、一致性所需条件，以及比较实验的评价指标与基准配置。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明识别假设与具体实验设置，不能外推为普遍性能优势。
原文摘要
We study the problem of observational causal inference with continuous treatments in the framework of inverse propensity-score weighting. To obtain stable weights, we design a new algorithm based on entropy balancing that learns weights to directly maximize causal inference accuracy using end-to-end optimization. In the process of optimization, these weights are automatically tuned to the specific dataset and causal inference algorithm being used. We provide a theoretical analysis demonstrating consistency of our approach. Using synthetic and real-world data, we show that our algorithm estimates causal effect more accurately than baseline entropy balancing.