Geometry Adaptive Counterfactual Distribution Learning with Diffusion-Guided Smoothing
扩散引导平滑的几何自适应反事实分布学习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：摘要直接估计反事实结局密度与分布函数相关目标，并结合因果去偏和分布层面的同时推断，支持因果与分布两个方向。
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
扩散引导平滑的几何自适应反事实分布学习
- 研究问题
- 高维结局分布集中于低维结构附近时，如何利用其局部几何估计反事实密度及其得分，改善误差尺度与推断稳定性？
- 方法与思路
- 作者结合因果辅助函数调整和学习得到的扩散得分，构造半参数去偏、几何自适应的平滑反事实密度与得分估计量。
- 材料陈述的贡献
- 摘要称，获得渐近展开、风险界及同时推断；适当几何条件下方差具有内在维度尺度，并显式刻画几何估计的漂移代价。
- 阅读关注点
- 应核对平滑目标与原始密度目标的区别、因果识别和辅助函数条件，以及内在维度收益是否被几何估计误差抵消。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列具体条件，原始密度扩展另需近似条件，实验为半合成设计。
原文摘要
We study counterfactual distribution learning for high-dimensional outcomes whose laws may concentrate near lower-dimensional structure. Standard isotropic smoothing ignores this geometry, leading to unfavorable scaling and unstable local inference. We propose semiparametrically debiased, diffusion-guided estimators for smoothed counterfactual densities and their scores. These estimators combine causal nuisance adjustment with geometry-adaptive localization driven by a learned diffusion score, yielding second-order nuisance remainders while aligning smoothing with local outcome geometry. We derive asymptotic expansions, integrated risk bounds, and simultaneous inference for smoothed densities and Stein functionals, with extensions to ambient density and score targets under additional approximation conditions. The variance term in the risk bounds is governed by the concentration of the smoothing operator: suitable geometric conditions yield intrinsic rather than ambient scaling, while an explicit drift term quantifies the cost of estimating the geometry. CelebA-based semi-synthetic experiments show faster error decay and improved stability for geometry-adaptive one-step methods, illustrating their applicability to high-dimensional embeddings.