arXiv stat.ML· Nathan Kallus, Xiaojie Mao, Masatoshi Uehara, Zhiheng Zhang·· 7 天前AI 评分34
基于阴性对照与 Minimax 学习的未观测混杂因果推断方法
Causal Inference Under Unmeasured Confounding With Negative Controls: A Minimax Learning Approach
AI 导读
针对存在未观测混杂且有阴性对照的因果参数估计，研究者提出了一种仅需假设桥函数存在而非完备性条件的替代识别策略。该方法基于 Minimax 学习构建了新估计器，能直接支持再生核希尔伯特空间（RKHS）与神经网络等通用函数类，并尽量避免对桥函数的唯一性要求。论文还在多种假设组合下提供了桥函数与最终因果参数估计的有限样本收敛保证。
来源：arXiv stat.ML · arxiv.org