Coupling Generative Modeling and an Autoencoder with the Causal Bridge
通过因果桥结合生成建模与自编码器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：摘要直接讨论未观测混杂下利用代理测量与因果桥估计处理效应。
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…
通过因果桥结合生成建模与自编码器
- 研究问题
- 存在同时影响处理和结果的未观测混杂时，如何借助两组代理测量识别处理效应，并改善因果桥函数的估计质量？
- 方法与思路
- 作者提出因果桥的新理论视角及可估计性假设，分析假设违反时的平均效应误差界，再将因果桥与自编码器架构结合。
- 材料陈述的贡献
- 摘要称该架构通过代理变量、处理和结果之间共享统计信息改善因果桥估计，并以合成与真实数据对比已有代理测量方法。
- 阅读关注点
- 应核对两组代理测量各自承担的识别角色、桥函数存在与可估计的条件，以及误差界和自编码器训练目标之间的联系。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未核实；摘要未列明代理变量假设、误差界形式及实验比较的具体数值。
原文摘要
We consider inferring the causal effect of a treatment (intervention) on an outcome of interest in situations where there is potentially an unobserved confounder influencing both the treatment and the outcome. This is achievable by assuming access to two separate sets of control (proxy) measurements associated with treatment and outcomes, which are used to estimate treatment effects through a function termed the em causal bridge (CB). We present a new theoretical perspective, associated assumptions for when estimating treatment effects with the CB is feasible, and a bound on the average error of the treatment effect when the CB assumptions are violated. From this new perspective, we then demonstrate how coupling the CB with an autoencoder architecture allows for the sharing of statistical strength between observed quantities (proxies, treatment, and outcomes), thus improving the quality of the CB estimates. Experiments on synthetic and real-world data demonstrate the effectiveness of the proposed approach in relation to the state-of-the-art methodology for proxy measurements.