Learning to Bound Counterfactual Inference from Observational, Biased and Randomised Data
利用观察性、有偏与随机化数据学习反事实推断的界限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中的反事实查询、选择偏差及部分识别界限展开，直接对应因果推断方向。
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…
利用观察性、有偏与随机化数据学习反事实推断的界限
- 研究问题
- 如何整合存在选择偏差的观察性研究与干预研究，在反事实查询只能部分识别时计算具有信息量的界限？
- 方法与思路
- 作者从单个有选择偏差的数据集出发，利用似然性质与因果 EM 计算近似界限，再通过图变换处理多数据集情形。
- 材料陈述的贡献
- 摘要称可统一处理观察性、干预性及不同偏差状态的数据，并以数值实验和姑息治疗案例展示界限计算的效果。
- 阅读关注点
- 应核对似然无局部极大值结论的适用条件、图变换如何保持反事实查询，以及近似界限与真实识别集的关系。
- 阅读边界
- 所给为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明跨研究整合条件、近似误差或识别集覆盖保证。
原文摘要
We address the problem of integrating data from multiple, possibly biased, observational and interventional studies, to eventually compute counterfactuals in structural causal models. We start from the case of a single observational dataset affected by a selection bias. We show that the likelihood of the available data has no local maxima. This enables us to use the causal expectation-maximisation scheme to compute approximate bounds for partially identifiable counterfactual queries, which are the focus of this paper. We then show how the same approach can solve the general case of multiple datasets, no matter whether interventional or observational, biased or unbiased, by remapping it into the former one via graphical transformations. Systematic numerical experiments and a case study on palliative care show the effectiveness and accuracy of our approach, while hinting at the benefits of integrating heterogeneous data to get informative bounds in case of partial identifiability.