DoubleMLDeep: Estimation of Causal Effects with Multimodal Data
DoubleMLDeep：利用多模态数据估计因果效应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：摘要明确以文本和图像作为混杂变量，在部分线性双重机器学习框架中估计处理效应。
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
DoubleMLDeep：利用多模态数据估计因果效应
- 研究问题
- 当文本与图像包含混杂信息时，如何在双重机器学习中直接使用这些非结构化数据，并评估其对因果效应估计的作用？
- 方法与思路
- 作者为部分线性模型的双重机器学习设计神经网络架构，并构造包含文本与图像混杂变量的半合成数据进行比较。
- 材料陈述的贡献
- 摘要称，论文贡献包括适配多模态数据的网络架构和半合成数据生成方法，实验结果展示直接使用文本与图像的潜在收益。
- 阅读关注点
- 应核对多模态混杂信息如何进入辅助模型、交叉拟合与训练安排，以及半合成数据的处理分配和真实效应如何设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未说明识别条件、误差率或实验数值，半合成表现不能保证真实应用收益。
原文摘要
This paper explores the use of unstructured, multimodal data, namely text and images, in causal inference and treatment effect estimation. We propose a neural network architecture that is adapted to the double machine learning (DML) framework, specifically the partially linear model. An additional contribution of our paper is a new method to generate a semi-synthetic dataset which can be used to evaluate the performance of causal effect estimation in the presence of text and images as confounders. The proposed methods and architectures are evaluated on the semi-synthetic dataset and compared to standard approaches, highlighting the potential benefit of using text and images directly in causal studies. Our findings have implications for researchers and practitioners in economics, marketing, finance, medicine and data science in general who are interested in estimating causal quantities using non-traditional data.