Partially Functional Dynamic Backdoor Diffusion-based Causal Model
部分函数型动态后门扩散因果模型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：摘要明确提出结构因果模型、动态混杂下的后门调整和反事实估计，直接对应因果推断。
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…
部分函数型动态后门扩散因果模型
- 研究问题
- 面对动态未观测混杂、函数型变量和多分辨率数据，如何在时空系统中开展观测、干预及反事实查询？
- 方法与思路
- 作者用条件自回归过程描述潜在混杂的时空依赖，以基展开系数表示函数变量，并将后门调整融入扩散生成模型。
- 材料陈述的贡献
- 摘要称给出基展开保持因果效应的理论保证与反事实误差界，合成数据和空气污染应用显示优于所比较方法。
- 阅读关注点
- 应核对潜在混杂如何被识别、后门调整为何有效，以及基展开截断、动态设定和反事实误差界依赖的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明完整识别条件，生成模型拟合不能单独保证消除未观测混杂。
原文摘要
Causal inference in spatio-temporal settings is critically hindered by unmeasured confounders with complex spatio-temporal dynamics and the prevalence of multi-resolution data. While diffusion models present a promising avenue for estimating structural causal models, existing approaches are limited by assumptions of causal sufficiency or static confounding, failing to capture the region-specific, temporally dependent nature of real-world latent variables or to directly handle functional variables. We bridge this gap by introducing the Partially Functional Dynamic Backdoor Diffusion-based Causal Model (PFD-BDCM), a unified generative framework designed to simultaneously tackle causal inference with dynamic confounding and functional data. Our approach formalizes a novel structural causal model that captures spatio-temporal dependencies in latent confounders through conditional autoregressive processes, represents functional variables via basis expansion coefficients treated as standard graph nodes, and integrates valid backdoor adjustment into a diffusion-based generative process. We provide theoretical guarantees on the preservation of causal effects under basis expansion and derive error bounds for counterfactual estimates. Experiments on synthetic data and a real-world air pollution case study demonstrate that PFD-BDCM outperforms existing methods across observational, interventional, and counterfactual queries. This work provides a rigorous and practical tool for robust causal inference in complex spatio-temporal systems characterized by non-stationarity and multi-resolution data.