Adjustment for Confounding using Pre-Trained Representations
利用预训练表示调整混杂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：摘要明确研究平均处理效应、混杂调整和双重机器学习中的有效推断。
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…
利用预训练表示调整混杂
- 研究问题
- 图像、文本等非表格数据可能包含混杂信息时，预训练神经网络的潜在特征何时足以支持平均处理效应的有效调整和统计推断？
- 方法与思路
- 作者形式化潜在特征支持混杂调整的条件，以双重机器学习为例分析推断，并研究表示的高维性、不可识别性及神经网络收敛。
- 材料陈述的贡献
- 摘要称说明常见加性或稀疏线性快速收敛假设对潜在特征不现实，并给出神经网络适应内在稀疏性与维度、实现快速收敛的结果。
- 阅读关注点
- 应核对表示保留混杂信息的条件、预训练与分析样本的关系，以及双重机器学习所需误差率和神经网络适应性结果的具体限制。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未列出有效调整的完整条件，不能据此认定任意预训练表示均能消除混杂。
原文摘要
There is growing interest in extending average treatment effect (ATE) estimation to incorporate non-tabular data, such as images and text, which may act as sources of confounding. Neglecting these effects risks biased results and flawed scientific conclusions. However, incorporating non-tabular data necessitates sophisticated feature extractors, often in combination with ideas of transfer learning. In this work, we investigate how latent features from pre-trained neural networks can be leveraged to adjust for sources of confounding. We formalize conditions under which these latent features enable valid adjustment and statistical inference in ATE estimation, demonstrating results along the example of double machine learning. We discuss critical challenges inherent to latent feature learning and downstream parameter estimation arising from the high dimensionality and non-identifiability of representations. Common structural assumptions for obtaining fast convergence rates with additive or sparse linear models are shown to be unrealistic for latent features. We argue, however, that neural networks are largely insensitive to these issues. In particular, we show that neural networks can achieve fast convergence rates by adapting to intrinsic notions of sparsity and dimension of the learning problem.