Generative Causal Inference
生成式因果推断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：摘要明确将生成式贝叶斯计算用于因果推断，并讨论非线性和异质性。
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…
生成式因果推断
- 研究问题
- 如何利用生成式计算将贝叶斯后验推断转化为监督学习，并用于包含非线性、异质性或难以写出密度的因果模型？
- 方法与思路
- 作者模拟可观测量、参数和潜变量，用高维分位数回归及 Quantile ReLU 网络学习从基础分布到后验的非线性传输。
- 材料陈述的贡献
- 摘要提出以训练得到的传输映射替代 MCMC 的生成式贝叶斯计算，并称其可用于潜变量更新或矩约束描述的模型。
- 阅读关注点
- 应核对训练样本生成、条件后验映射及分位数网络设计，特别区分因果识别依据与后验近似的计算准确性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明因果识别假设、后验近似误差或相对 MCMC 的成本。
原文摘要
Generative Bayesian Computation (GBC) methods are developed for Casual Inference. Generative methods are simulation-based methods that use a large training dataset to represent posterior distributions as a map (a.k.a. optimal transport) to a base distribution. They avoid the use of MCMC by replacing the conditional posterior inference problem with a supervised learning problem. We further propose the use Quantile ReLU networks which are density free and hence apply in a variety of Econometric settings where data generating processes are specified by deterministic latent variables updates or as moment constraints. Generative approaches directly simulate large samples of observables and unobservable (parameters, latent variables) and then apply high-dimensional quantile regression to learn a nonlinear transport map from base distribution to parameter inference. We illustrate our methodology in the field of causal inference. Our approach can also handle nonlinearity and heterogeneity. Finally, we conclude with the directions for future research.