Geometry Adaptive Counterfactual Distribution Learning with Diffusion-Guided Smoothing¶
作者: Kwangho Kim
主题: 因果推断
相关性: 9/10
链接: https://arxiv.org/abs/2605.25811
一、核心问题与贡献¶
①研究了高维反事实分布学习在结果变量集中于低维流形结构时，传统各向同性平滑导致的收敛率恶化与局部推断不稳定问题。②核心工具是结合半参数一步去偏与扩散分数引导的几何自适应平滑核，构造了扩散引导的密度平滑（DIS）与分数平滑（DSS）估计器。③主要贡献是建立了平滑密度与分数目标的渐近展开、风险界与推断程序，证明了主导随机误差由扩散核诱导的有效维度\(d^\star\)而非环境维度\(d\)控制，并在额外逼近条件下获得了环境密度与分数的推断。
二、基础设定¶
- 核心概念与符号：
- \(P_a(B)\)：干预水平\(a\)下的边际反事实分布律，可能奇异（集中于低维流形）。
- \(p_{a,h}^{geo}(y)\)：扩散引导核平滑后的反事实环境密度，\(\int \kappa_{h,\theta_0}(y|u) dP_a(u)\)。
- \(\kappa_{h,\theta_0}(y;u)\)：扩散引导平滑核，由前向扩散转移\(q_{\varepsilon_h}\)经反向概率流\(\Phi_{\varepsilon_h,\theta_0}^{-1}\)与Jacobian行列式\(J_{\varepsilon_h,\theta_0}\)扭曲构造（公式3）。
- \(s_{a,h}^{geo}(y)\)：平滑反事实分数，\(g_{a,h}^{geo}(y)/p_{a,h}^{geo}(y)\)，其中\(g\)为核的梯度期望。
- \(d_{eff}(h;Y_0)\)：有效维度，定义为核峰值泛函\(H_h(Y_0)\)的对数尺度指数，\(\log(H_h \vee 1)/\log(1/h)\)。
- \(d^\star\)：局部协方差\(\Sigma_h(Y_a)\)的活跃方向数（特征值在\(h^2\)量级），控制有效维度的上界。
- 关键假设：
- Assumption 3.1 (Sub-Gaussian localization)：核被局部精度矩阵\(G_h(Y)\)定义的各向异性高斯包络控制。统计学含义：核的局部形状与数据几何对齐，而非各向同性扩散；与经典核密度估计的固定带宽假设相比，放宽了对环境维度的对称依赖。
- Assumption 3.7/3.8 (Geometry drift control)：学习几何\(\hat{\theta}\)替代真实\(\theta_0\)引入的核扰动\(L^2\)误差受控于\(O_P(h^{-d_{geom}/2-\gamma_{geom}}\rho_{\theta,n})\)。含义：分数学习误差\(\rho_{\theta,n}\)被核的局部峰值放大；与已有文献相比，这是本文新增的假设，用以分离因果混杂误差与几何学习漂移。
- Assumption 3.11 (Ambient density approximation)：平滑目标\(p_{a,h}^{geo}\)逼近真实环境密度\(p_a\)的\(L^2\)误差为\(O(h^{2\beta})\)。含义：要求扩散概率流与Jacobian修正保持近似恒等行为；强于经典核估计的Hölder平滑条件，因需流形结构在环境空间中的投影保持平滑性。
- 问题背景：已有半参数反事实密度估计（如Kennedy et al. 2023）使用各向同性核，方差项以\(n^{-1}h^{-d}\)衰减，在高维或奇异分布下失效；已有生成式方法（如Luedtke & Fukumizu 2025）侧重全局样本生成而非局部推断，且理论依赖环境维度。本文针对局部推断失效与维度灾难不足，将扩散分数几何嵌入半参数去偏框架。
三、主要定理 / 核心结果¶
1. Theorem 3.6 (DIS渐近展开) - 原文陈述：\(\hat{p}_{a,h}^{geo}(y) - p_{a,h}^{geo}(y) = (P_n-P)\phi_h^{geo}(Z;y,\eta_0) + B_{\theta,h}(y) + R_{\pi,\mu}^{\hat{\theta}}(y) + o_P(n^{-1/2})\)，其中\(B_{\theta,h}\)为几何学习漂移，\(R_{\pi,\mu}^{\hat{\theta}} \lesssim \delta_\pi \delta_\mu^{\hat{\theta}}\)。 - 直观解释：估计误差分解为三部分：随机误差（经验过程）、因果混杂二阶余项（去偏成功）、几何
Maintained by 陈星宇 · Homepage · Source on GitHub