Extended Wasserstein-GAN Approach to Causal Distribution Learning: Density-Free Estimation and Minimax Optimality
扩展 Wasserstein-GAN 因果分布学习：无密度估计与极小极大最优性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：摘要直接研究条件干预结果分布及其分位数等分布特征，属于因果推断与分布效应估计。
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
扩展 Wasserstein-GAN 因果分布学习：无密度估计与极小极大最优性
- 研究问题
- 如何使生成对抗式反事实学习直接对应可识别的条件干预分布及其统计风险，减少密度估计依赖，并建立分布估计的最优性保证？
- 方法与思路
- 作者提出 GANICE，以扩展 Wasserstein 距离和对偶中的单元级判别器构造目标，最小化平均分布风险，并用 Besov 空间理论证明最优性。
- 材料陈述的贡献
- 摘要称，方法明确处理—协变量状态下的条件干预分布目标，建立极小极大最优性，并在所报告实验中持续优于已有方法。
- 阅读关注点
- 应核对干预分布可识别的条件、扩展距离与平均风险的关系，以及函数类、最优速率、判别器实现和实验比较的范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未列识别假设、速率及实验数值，不能将理论最优性或实验优势推广至任意分布。
原文摘要
Distributional causal inference requires estimating not only average treatment effects but also interventional outcome distributions, including quantiles, tail risks, and policy-dependent uncertainty. As a method for distributional causal inference, generative adversarial network (GAN)-based counterfactual methods are flexible tools for this task. However, these methods have several limitations. First, the objectives of certain techniques do not coincide with the statistical risk of the identifiable causal target, and therefore provide limited theoretical guarantees regarding estimable counterfactual distributions or optimality. Second, they tend to rely on unstable density-based methods, such as density ratio estimation. In this paper, we propose GANICE (GAN for Interventional Conditional Estimation) with several advantages: it (i) clarifies the conditional interventional distribution for each treatment--covariate state as the causal estimation target; (ii) estimates the conditional distribution such that its averaged Wasserstein risk is minimized; (iii) establishes minimax optimality. GANICE achieves these advantages through the introduction of the extended Wasserstein distance, the incorporation of a cellwise critic in its dual, and an optimality proof based on Besov space theory. Our experiments demonstrate that GANICE consistently outperforms existing methods.