Non parametric estimation of causal populations in a counterfactual scenario
反事实情景中因果人群分布的非参数估计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：摘要明确围绕潜在结果、反事实情景和因果人群分布建模，直接对应因果推断，但识别依据尚未说明。
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
反事实情景中因果人群分布的非参数估计
- 研究问题
- 当同一个体的两种潜在结果无法同时观察时，如何把反事实估计表述为缺失数据问题，并估计由处理和结果定义的因果人群分布？
- 方法与思路
- 作者提出因果自编码器，用依赖处理和结果信息的先验塑造潜空间，并在网络中间层设置含处理与结果信息的掩码来重构特征。
- 材料陈述的贡献
- 摘要提出以缺失数据与潜空间建模估计隐藏因果人群分布的框架，描述了先验和掩码设计，但未报告理论保证或实证结果。
- 阅读关注点
- 应核对因果人群的数学定义、目标分布是否可由观测数据识别，以及先验、掩码和重构目标如何约束未观测的反事实部分。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明混杂控制和识别假设，网络重构本身不能证明反事实分布可识别。
原文摘要
In causality, estimating the effect of a treatment without confounding inference remains a major issue because requires to assess the outcome in both case with and without treatment. Not being able to observe simultaneously both of them, the estimation of potential outcome remains a challenging task. We propose an innovative approach where the problem is reformulated as a missing data model. The aim is to estimate the hidden distribution of \emph{causal populations}, defined as a function of treatment and outcome. A Causal Auto-Encoder (CAE), enhanced by a prior dependent on treatment and outcome information, assimilates the latent space to the probability distribution of the target populations. The features are reconstructed after being reduced to a latent space and constrained by a mask introduced in the intermediate layer of the network, containing treatment and outcome information.