LLM-based Agents for Automated Confounder Discovery and Subgroup Analysis in Causal Inference
用于因果推断中自动混杂发现与子群分析的大语言模型智能体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：摘要明确研究观察性数据中的混杂发现、条件平均处理效应和因果子群分析。
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…
用于因果推断中自动混杂发现与子群分析的大语言模型智能体
- 研究问题
- 观察性医疗数据中，能否借助大语言模型识别非结构化信息中的潜在混杂并解释子群，从而减少专家标注负担？
- 方法与思路
- 作者将大语言模型智能体嵌入因果机器学习流程，以模拟领域知识，自动发现混杂结构和子群，并在医疗数据中实验。
- 材料陈述的贡献
- 摘要报告该框架发现了此前未识别的混杂偏差并缩窄置信区间，作者据此主张其可改善效应估计的稳健性与可扩展性。
- 阅读关注点
- 应核对混杂发现的验证标准、信息来源与数据泄漏防范，以及区间缩窄是否伴随合理覆盖率和偏差改善。
- 阅读边界
- 这是arXiv预印本，同行评审及期刊接收未核实；摘要未说明识别条件，区间更窄不能单独证明消除了未观测混杂。
原文摘要
Estimating individualized treatment effects from observational data presents a persistent challenge due to unmeasured confounding and structural bias. Causal Machine Learning (causal ML) methods, such as causal trees and doubly robust estimators, provide tools for estimating conditional average treatment effects. These methods have limited effectiveness in complex real-world environments due to the presence of latent confounders or those described in unstructured formats. Moreover, reliance on domain experts for confounder identification and rule interpretation introduces high annotation cost and scalability concerns. In this work, we proposed Large Language Model-based agents for automated confounder discovery and subgroup analysis that integrate agents into the causal ML pipeline to simulate domain expertise. Our framework systematically performs subgroup identification and confounding structure discovery by leveraging the reasoning capabilities of LLM-based agents, which reduces human dependency while preserving interpretability. Experiments on real-world medical datasets show that our proposed approach enhances treatment effect estimation robustness by narrowing confidence intervals and uncovering unrecognized confounding biases. Our findings suggest that LLM-based agents offer a promising path toward scalable, trustworthy, and semantically aware causal inference.