Detecting and Mitigating Treatment Leakage in Text-Based Causal Inference: Distillation and Sensitivity Analysis
文本因果推断中的处理信息泄漏：检测、蒸馏与敏感性分析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：摘要聚焦文本混杂代理引发的因果估计偏差及其检测和缓解。
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…
文本因果推断中的处理信息泄漏：检测、蒸馏与敏感性分析
- 研究问题
- 作为未观测混杂代理的文本若同时包含处理预测信息，会如何产生偏差，且如何在移除泄漏信息时保留混杂信息？
- 方法与思路
- 作者形式化定义处理信息泄漏，提出段落删除、远程监督分类、显著特征移除和迭代零空间投影四种文本蒸馏方法。
- 材料陈述的贡献
- 摘要称处理前文本也可能因预期性语言发生泄漏；模拟和国际货币基金组织项目应用显示适度蒸馏能平衡偏差与信息保留。
- 阅读关注点
- 应核对泄漏定义如何区分正常混杂预测与有害处理信息，以及偏差产生条件、蒸馏强度选择和敏感性分析的具体实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未详述敏感性分析，也不能仅凭文本可预测处理就断定存在处理后偏差。
原文摘要
Text-based causal inference increasingly employs textual data as proxies for unobserved confounders, yet this approach introduces a previously undertheorized source of bias: treatment leakage. Treatment leakage occurs when text intended to capture confounding information also contains signals predictive of treatment status, thereby inducing post-treatment bias in causal estimates. Critically, this problem can arise even when documents precede treatment assignment, as authors may employ future-referencing language that anticipates subsequent interventions. Despite growing recognition of this issue, no systematic methods exist for identifying and mitigating treatment leakage in text-as-confounder applications. This paper addresses this gap through three contributions. First, we provide formal statistical and set-theoretic definitions of treatment leakage that clarify when and why bias occurs. Second, we propose four text distillation methods -- similarity-based passage removal, distant supervision classification, salient feature removal, and iterative nullspace projection -- designed to eliminate treatment-predictive content while preserving confounder information. Third, we validate these methods through simulations using synthetic text and an empirical application examining International Monetary Fund structural adjustment programs and child mortality. Our findings indicate that moderate distillation optimally balances bias reduction against confounder retention, whereas overly stringent approaches degrade estimate precision.