Adversarial De-confounding in Individualised Treatment Effects Estimation
个体化处理效应估计中的对抗去混杂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：摘要明确以观察性数据中的混杂调整、反事实推断和个体化处理效应为目标，对抗训练是实现因果估计的方法。
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
个体化处理效应估计中的对抗去混杂
- 研究问题
- 在二元处理的观察性研究中，如何学习能够有选择地平衡混杂因素的表示，以改善反事实预测和个体化处理效应估计？
- 方法与思路
- 作者结合解耦表示与对抗训练，通过处理分配策略的对抗学习鼓励混杂表示在处理组间平衡，再据此进行反事实推断。
- 材料陈述的贡献
- 摘要称，在不同混杂程度的合成与真实数据实验中，所提方法相较比较方法取得更低的个体化处理效应估计误差。
- 阅读关注点
- 核对表示如何区分混杂与其他信息、识别依赖哪些可观测条件，以及真实数据效应误差的评价依据和比较方法的训练配置。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或接收未核实；摘要未说明完整识别假设，表示平衡不能自动消除未观测混杂或识别个体反事实。
原文摘要
Observational studies have recently received significant attention from the machine learning community due to the increasingly available non-experimental observational data and the limitations of the experimental studies, such as considerable cost, impracticality, small and less representative sample sizes, etc. In observational studies, de-confounding is a fundamental problem of individualised treatment effects (ITE) estimation. This paper proposes disentangled representations with adversarial training to selectively balance the confounders in the binary treatment setting for the ITE estimation. The adversarial training of treatment policy selectively encourages treatment-agnostic balanced representations for the confounders and helps to estimate the ITE in the observational studies via counterfactual inference. Empirical results on synthetic and real-world datasets, with varying degrees of confounding, prove that our proposed approach improves the state-of-the-art methods in achieving lower error in the ITE estimation.