Counterfactual Probabilistic Diffusion with Expert Models
结合专家模型的反事实概率扩散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：摘要明确结合时间序列生成模型与反事实分布预测，并将其用于因果推断。
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…
结合专家模型的反事实概率扩散
- 研究问题
- 在数据有限的复杂动态系统中，如何利用不完美专家模型预测反事实结果分布，并兼顾预测准确性与模型可解释性？
- 方法与思路
- 作者提出时间序列扩散框架 ODE-Diff，从不完美专家模型提取高层信号作为结构化先验，将机制模型指导与数据驱动生成结合。
- 材料陈述的贡献
- 摘要称该方法在半合成新冠模拟、合成药理动态及真实案例中，点预测和分布准确性均优于所比较的强基线，具体数值未提供。
- 阅读关注点
- 应核对反事实目标及其识别依据、专家信号进入扩散模型的方式，以及基线公平性、分布校准和真实案例中反事实评价的依据。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明因果识别假设，预测表现优势本身不足以验证反事实有效性。
原文摘要
Predicting counterfactual distributions in complex dynamical systems is essential for scientific modeling and decision-making in domains such as public health and medicine. However, existing methods often rely on point estimates or purely data-driven models, which tend to falter under data scarcity. We propose a time series diffusion-based framework that incorporates guidance from imperfect expert models by extracting high-level signals to serve as structured priors for generative modeling. Our method, ODE-Diff, bridges mechanistic and data-driven approaches, enabling more reliable and interpretable causal inference. We evaluate ODE-Diff across semi-synthetic COVID-19 simulations, synthetic pharmacological dynamics, and real-world case studies, demonstrating that it consistently outperforms strong baselines in both point prediction and distributional accuracy.