Counterfactual Cocycles: A Framework for Robust and Coherent Counterfactual Transports
反事实余循环：稳健且一致的反事实传输框架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：摘要围绕结构因果模型、反事实联合分布及反事实识别展开，最直接的领域依据是因果推断。
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…
关注这篇论文的作者
反事实余循环：稳健且一致的反事实传输框架
- 研究问题
- 如何估计多个反事实结果的联合分布，同时避免潜在噪声误设带来的脆弱性，并保证不同反事实传输之间的一致性？
- 方法与思路
- 作者以反事实余循环的代数结构约束传输，联系结构因果模型等价类，构造灵活参数化和估计器，并分析误设稳健性。
- 材料陈述的贡献
- 摘要称，该框架刻画可识别余循环，对潜在噪声分布保持不变，并在合成基准及 401(k) 资格研究中展示性能和噪声稳健性。
- 阅读关注点
- 应核对一致性与可识别性的定义、余循环和结构模型的对应条件，以及无分布假设的范围和基准比较的公平性。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；性能领先是摘要中的作者主张，识别条件与结果细节未说明。
原文摘要
Estimating joint distributions (a.k.a. couplings) over counterfactual outcomes is central to personalized decision-making and treatment risk assessment. Two emergent frameworks with identifiability guarantees are: (i) bijective structural causal models (SCMs), which are flexible but brittle to mis-specified latent noise; and (ii) optimal-transport (OT) methods, which avoid latent noise assumptions but can produce incoherent counterfactual transports which fail to identify higher-order couplings. In this work, we bridge the gap with \emph{counterfactual cocycles}: a framework for counterfactual transports that use algebraic structure to provide coherence and identifiability guarantees. Every counterfactual cocycle corresponds to an equivalence class of SCMs, however the cocycle is invariant to the latent noise distribution, enabling us to sidestep various mis-specification problems. We characterize the structure of all identifiable counterfactual cocycles; propose flexible model parameterizations; introduce a novel cocycle estimator that avoids any distributional assumptions; and derive mis-specification robustness properties of the resulting counterfactual inference method. We demonstrate state-of-the-art performance and noise-robustness of counterfactual cocycles across synthetic benchmarks and a 401(k) eligibility study.