Barycentric Fused Gromov-Wasserstein Balancing for Causal Inference under Multiple Treatments
多重处理因果推断中的重心融合 Gromov–Wasserstein 平衡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：摘要明确估计观测数据中的多重处理、异质单项效应与交互处理效应，直接属于因果推断。
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…
多重处理因果推断中的重心融合 Gromov–Wasserstein 平衡
- 研究问题
- 观测数据中多个处理同时出现时，如何估计异质的单项及交互处理效应，同时避免处理组合两两平衡的计算负担与局部结构失真？
- 方法与思路
- 作者提出 CIHSI-Net，以共享 Wasserstein 重心对齐各处理组合的表征分布，并用融合 Gromov–Wasserstein 差异保留局部邻近结构。
- 材料陈述的贡献
- 摘要称该平衡目标将随处理组合数增长的计算复杂度由二次降为线性，并在模拟与营销数据应用中报告异质处理效应估计表现。
- 阅读关注点
- 应核对多处理因果识别条件、重心及表征的联合训练、复杂度计算口径，以及平衡程度和局部结构保持如何影响反事实估计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列出识别假设、误差保证及比较细节，表征平衡本身不保证消除混杂。
原文摘要
Estimating heterogeneous single and interaction treatment effects from observational data under multiple simultaneous treatments is crucial for decision-making. To mitigate estimation variance, previous studies balance representation distributions between every pair of treatment patterns. However, such pairwise balancing scales quadratically with the number of treatment patterns and fails to preserve consistent local proximity structures across patterns, which degrades counterfactual estimation. To address these challenges, we propose the Causal Inference for Heterogeneous Single and Interaction Treatment Effects Network (CIHSI-Net), a deep learning framework built on a novel Barycentric Fused Gromov-Wasserstein Balancing (BFG-WB) objective. BFG-WB aligns the representation distribution of each treatment pattern with a shared Wasserstein barycenter, achieving global alignment while reducing the computational complexity from quadratic to linear, and its Fused Gromov-Wasserstein discrepancy preserves the local proximity structures essential for reliable heterogeneous effect estimation. Simulation studies show that CIHSI-Net consistently outperforms state-of-the-art baselines, and an application to real-world marketing data demonstrates its practical utility in complex multi-treatment scenarios.