SurvCaus : Representation Balancing for Survival Causal Inference
SurvCaus：生存因果推断中的表征平衡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：摘要直接研究删失生存结局的反事实估计与条件平均处理效应，核心属于因果推断。
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…
SurvCaus：生存因果推断中的表征平衡
- 研究问题
- 当结局为可能删失的生存时间时，如何将表征平衡用于反事实生存函数估计，并由此描述条件平均处理效应？
- 方法与思路
- 作者构建预测事实与反事实生存函数的神经网络表征平衡框架，讨论存在删失时的理论保证，并进行合成及半合成实验。
- 材料陈述的贡献
- 摘要称，方法把表征平衡扩展至生存因果推断，提供理论保证，并在所考察的合成和半合成数据上优于基准方法。
- 阅读关注点
- 应核对删失机制、混杂与重叠假设、理论保证针对的误差目标，以及生存函数差异如何转化为条件平均处理效应。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出具体假设或真实数据验证，不能将个体预测等同于识别个体效应。
原文摘要
Individual Treatment Effects (ITE) estimation methods have risen in popularity in the last years. Most of the time, individual effects are better presented as Conditional Average Treatment Effects (CATE). Recently, representation balancing techniques have gained considerable momentum in causal inference from observational data, still limited to continuous (and binary) outcomes. However, in numerous pathologies, the outcome of interest is a (possibly censored) survival time. Our paper proposes theoretical guarantees for a representation balancing framework applied to counterfactual inference in a survival setting using a neural network capable of predicting the factual and counterfactual survival functions (and then the CATE), in the presence of censorship, at the individual level. We also present extensive experiments on synthetic and semisynthetic datasets that show that the proposed extensions outperform baseline methods.