Causal inference through multi-stage learning and doubly robust deep neural networks
多阶段学习与双重稳健深度神经网络的因果推断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：摘要明确以条件平均处理效应和动态处理效应为研究对象，核心是多阶段因果估计中的双重稳健学习。
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
多阶段学习与双重稳健深度神经网络的因果推断
- 研究问题
- 研究在条件平均处理效应和动态处理效应等多阶段因果任务中，如何控制前序估计误差，并处理协变量维度随样本量增长的问题。
- 方法与思路
- 作者依次构建深度神经网络，使后续阶段利用前序结果，再以双重稳健方式组合网络，减轻早期估计误差向后续阶段传播。
- 材料陈述的贡献
- 摘要称，为协变量维度随样本量增长的多阶段网络学习提供理论保证，并指出这些结果也适用于退化为单阶段的学习问题。
- 阅读关注点
- 应核对各阶段估计对象、双重稳健构造与识别假设，以及维度增长、网络复杂度和误差传播之间所需的具体条件。
- 阅读边界
- 所给来源为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明具体收敛率、维度增长限制或有限样本表现。
原文摘要
Deep neural networks (DNNs) have demonstrated remarkable empirical performance in large-scale supervised learning problems, particularly in scenarios where both the sample size $n$ and the dimension of covariates $p$ are large. This study delves into the application of DNNs across a wide spectrum of intricate causal inference tasks, where direct estimation falls short and necessitates multi-stage learning. Examples include estimating the conditional average treatment effect and dynamic treatment effect. In this framework, DNNs are constructed sequentially, with subsequent stages building upon preceding ones. To mitigate the impact of estimation errors from early stages on subsequent ones, we integrate DNNs in a doubly robust manner. In contrast to previous research, our study offers theoretical assurances regarding the effectiveness of DNNs in settings where the dimensionality $p$ expands with the sample size. These findings are significant independently and extend to degenerate single-stage learning problems.