Counterfactual Generative Modeling with Variational Causal Inference
基于变分因果推断的反事实生成建模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：摘要明确研究干预下的个体反事实结果生成，并将外生噪声反推和因果效应识别作为方法目标，因此归入因果推断。
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…
基于变分因果推断的反事实生成建模
- 研究问题
- 当结果是基因表达或图像等高维对象、协变量信息有限时，如何利用个体已观测结果生成其干预下的反事实结果？
- 方法与思路
- 作者提出变分贝叶斯因果推断框架，在没有反事实样本时进行端到端反事实监督，并促进外生噪声的解耦反推。
- 材料陈述的贡献
- 摘要称，框架提供理论支撑并在多个基准任务上优于所比较模型；对条件变分自编码器的局限判断属于作者观点。
- 阅读关注点
- 应核对反事实的因果定义、外生噪声反推所需假设、监督目标如何构造，以及理论识别结果与生成质量指标的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获验证；摘要未说明识别条件、理论结论范围或各基准的具体优势幅度。
原文摘要
Estimating an individual's counterfactual outcomes under interventions is a challenging task for traditional causal inference and supervised learning approaches when the outcome is high-dimensional (e.g. gene expressions, facial images) and covariates are relatively limited. In this case, to predict one's outcomes under counterfactual treatments, it is crucial to leverage individual information contained in the observed outcome in addition to the covariates. Prior works using variational inference in counterfactual generative modeling have been focusing on neural adaptations and model variants within the conditional variational autoencoder formulation, which we argue is fundamentally ill-suited to the notion of counterfactual in causal inference. In this work, we present a novel variational Bayesian causal inference framework and its theoretical backings to properly handle counterfactual generative modeling tasks, through which we are able to conduct counterfactual supervision end-to-end during training without any counterfactual samples, and encourage disentangled exogenous noise abduction that aids the correct identification of causal effect in counterfactual generations. In experiments, we demonstrate the advantage of our framework compared to state-of-the-art models in counterfactual generative modeling on multiple benchmarks.