因果EpiNet：使用认知神经网络对个体处理效应进行精确校正的界限
机器学习
2026-05-11 v1 人工智能
机器学习
计量经济学
摘要
个体处理效应无法从数据中得到点识别。概率必要性与充分性（PNS）通过从组合实验和观察数据中推导的交叉界限来规避这一限制， characterize individual-level causality。然而，在有限样本中，标准的插值估计器系统性地失败：它们违反结构概率约束，受最大-最小算子引发的极限偏差，导致产生不真实的窄区间。我们提出了一个神经框架，用于有限样本的PNS估计，以解决这两个病态。我们引入了一个锚定神经架构，通过构造保证结构约束满足。为了校正极限偏差，我们采用精确校正的交叉界限推断，利用认知神经网络进行可扩展的、高维的不确定性量化。经验评估表明，这种方法在标准估计器系统性低估的高维情境下，保持名义覆盖范围并实现精确的约束有效性。
引用
@article{arxiv.2605.07065,
title = {Causal EpiNets: Precision-corrected Bounds on Individual Treatment Effects using Epistemic Neural Networks},
author = {Gandharv Patil and Keyi Tang and Raquel Aoki and Leo Guelman},
journal= {arXiv preprint arXiv:2605.07065},
year = {2026}
}