Causal Effect Estimation using identifiable Variational AutoEncoder with Latent Confounders and Post-Treatment Variables
利用可识别变分自编码器处理潜在混杂与处理后变量的因果效应估计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：摘要明确以潜在混杂、处理后变量和因果效应估计为核心，直接属于因果推断，而非一般预测建模。
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…
利用可识别变分自编码器处理潜在混杂与处理后变量的因果效应估计
- 研究问题
- 观测数据同时存在潜在混杂和潜在处理后变量时，如何利用代理变量学习表示，并避免因果效应估计中的偏误？
- 方法与思路
- 作者提出结合 VAE 与 iVAE 的 CPTiVAE，从代理变量学习两类潜变量表示，并证明潜在处理后变量表示的可识别性。
- 材料陈述的贡献
- 摘要称该方法可实现无偏因果效应估计，在合成及半合成实验中优于所比较方法，并展示一项真实数据应用。
- 阅读关注点
- 应核对代理变量与潜变量的关系、表示识别所需条件，以及表示可识别性如何支撑目标因果效应的识别与估计。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未说明完整识别条件，无偏性与实验优势均不能据此作独立确认。
原文摘要
Estimating causal effects from observational data is challenging, especially in the presence of latent confounders. Much work has been done on addressing this challenge, but most of the existing research ignores the bias introduced by the post-treatment variables. In this paper, we propose a novel method of joint Variational AutoEncoder (VAE) and identifiable Variational AutoEncoder (iVAE) for learning the representations of latent confounders and latent post-treatment variables from their proxy variables, termed CPTiVAE, to achieve unbiased causal effect estimation from observational data. We further prove the identifiability in terms of the representation of latent post-treatment variables. Extensive experiments on synthetic and semi-synthetic datasets demonstrate that the CPTiVAE outperforms the state-of-the-art methods in the presence of latent confounders and post-treatment variables. We further apply CPTiVAE to a real-world dataset to show its potential application.