克服高斯障碍与优化脆弱性的统一非凸稳健因果推断框架
机器学习
2025-11-25 v1 机器学习
统计方法学
摘要
本文件提出了一个统一稳健框架，重新构建对重合度（Overlap）平均处理效应（ATO）的估计。它综合了用于异常值稳健性的伽马发散、用于全局优化的渐进非凸性（Graduated Non-Convexity, GNC），以及一个“门卫”机制，以解决在高斯 regime 下更高阶正交性不可实现的困境。
引用
@article{arxiv.2511.19284,
title = {The Unified Non-Convex Framework for Robust Causal Inference: Overcoming the Gaussian Barrier and Optimization Fragility},
author = {Eichi Uehara},
journal= {arXiv preprint arXiv:2511.19284},
year = {2025}
}
备注
10 pages, 1 table