Towards Principled Causal Effect Estimation by Deep Identifiable Models
利用深度可识别模型开展有原则的因果效应估计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：摘要明确研究处理效应、混杂控制、预后得分和平衡表示，并给出无混杂下的识别结果，直接属于因果推断。
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…
关注这篇论文的作者
利用深度可识别模型开展有原则的因果效应估计
- 研究问题
- 如何利用可识别的深度潜变量模型学习与处理效应识别相关的表示，并使不同处理组的表示获得平衡？
- 方法与思路
- 作者受预后得分启发提出 Intact-VAE，以潜变量表示混杂因素并通过先验形成平衡表示，结合识别分析与半合成等数据实验。
- 材料陈述的贡献
- 摘要称在无混杂条件下证明处理效应识别，实验覆盖未观测混杂等多种设置并报告先进表现，同时讨论更困难场景的可能扩展。
- 阅读关注点
- 应核对模型可识别性与效应识别之间的逻辑、无混杂条件的具体含义，以及未观测混杂实验与理论保证的对应范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。未观测混杂下的实验表现不构成该情形的识别证明；摘要未给出完整条件和数值。
原文摘要
As an important problem in causal inference, we discuss the estimation of treatment effects (TEs). Representing the confounder as a latent variable, we propose Intact-VAE, a new variant of variational autoencoder (VAE), motivated by the prognostic score that is sufficient for identifying TEs. Our VAE also naturally gives representations balanced for treatment groups, using its prior. Experiments on (semi-)synthetic datasets show state-of-the-art performance under diverse settings, including unobserved confounding. Based on the identifiability of our model, we prove identification of TEs under unconfoundedness, and also discuss (possible) extensions to harder settings.