Causal EpiNets: Precision-corrected Bounds on Individual Treatment Effects using Epistemic Neural Networks
Causal EpiNets：利用认知神经网络进行精度校正的个体因果界推断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：摘要直接研究个体层面因果关系、PNS 部分识别及实验与观察数据结合后的界推断。
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…
Causal EpiNets：利用认知神经网络进行精度校正的个体因果界推断
- 研究问题
- 实验与观察数据用于必要性与充分性概率 PNS 的界估计时，如何避免概率约束违背及极值运算导致的区间过窄？
- 方法与思路
- 作者用锚定神经架构保证结构概率约束，并结合认知神经网络的不确定性量化与精度校正的交界推断处理极值偏差。
- 材料陈述的贡献
- 摘要称该框架在高维经验评估中保持名义覆盖与精确约束有效性，针对常规代入估计的约束违背和覆盖不足提供修正。
- 阅读关注点
- 应核对 PNS 与单个个体处理效应的区别、实验观察数据的结合条件、概率约束来源，以及交界校正的覆盖保证。
- 阅读边界
- 这是 arXiv 预印本，评审与接收未核实；摘要未给出识别及推断条件，PNS 界不能据此解释为每个个体效应的点识别。
原文摘要
Individual treatment effects are not point-identified from data. The Probability of Necessity and Sufficiency (PNS) circumvents this limitation by characterizing individual-level causality through intersection bounds derived from combined experimental and observational data. In finite samples, however, standard plug-in estimators systematically fail: they violate structural probability constraints and suffer from extremum bias induced by max-min operators, yielding spuriously narrow intervals. We propose a neural framework for finite-sample PNS estimation that resolves both pathologies. We introduce an anchored neural architecture that guarantees structural constraint satisfaction by construction. To correct extremum bias, we employ precision-corrected intersection-bound inference, leveraging Epistemic Neural Networks for scalable, high-dimensional uncertainty quantification. Empirical evaluations confirm that this approach maintains nominal coverage and exact constraint validity in high-dimensional regimes where standard estimators systematically undercover.