ARTICLE · 人工智能
论文 | Causal Inference with Unstructured Outcomes：面向文本与图像结果的因果推断
一语总结密歇根大学论文提出最大对比特征方法，将非结构化结果（文本、图像）上的因果推断转化为特征搜索问题，自动识别处理效应最强的结果维度。
本文编译介绍密歇根大学发表的论文《Causal Inference with Unstructured Outcomes》。传统因果推断依赖标量结果，但临床病历、开放式问卷、医学图像等非结构化结果无法直接相减。论文提出最大对比特征方法，在候选特征函数类中寻找使处理与对照潜在结果差异最大的打分函数，从而自动识别被处理改变最显著的结果方向。方法支持异质效应扩展，允许特征依赖协变量；同时扩展到处理与结果均为非结构化的配对特征学习场景。实验覆盖文本风格、文本安全性、细胞图像模糊度、提示词到新闻标题生成等场景，验证方法能恢复全局和上下文依赖的处理效应方向。论文强调该方法需依赖因果推断基本假设，且学到的特征需通过解释步骤赋予语义。
- 非结构化结果无法直接计算平均处理效应，需转化为特征搜索问题。
文本和图像不能自然相减，预先指定固定指标可能遗漏真正受处理影响的维度。最大对比特征在候选函数类中寻找处理与对照差异最大的打分方向。
- 方法支持异质效应，特征函数可依赖协变量适应不同上下文。
同一干预在不同语境下可能产生相反方向的影响，全局特征会混淆这些差异。协变量自适应特征能识别上下文依赖的处理效应方向。
- 处理与结果同时非结构化时，需学习配对特征函数。
使用匹配的负控制结果构造基线，使模型学习真正的处理-结果对应关系，而非主题或风格的共同变化。
- 学到的特征需通过解释步骤赋予语义，不能直接等同于标签。
最大对比特征只是打分函数，需通过代表性样本、特征编辑、低高分对照等方式理解其捕捉的语义。
论文 | Causal Inference with Unstructured Outcomes：面向文本与图像结果的因果推断
本文编译介绍密歇根大学发表的论文《Causal Inference with Unstructured Outcomes》。传统因果推断依赖标量结果，但临床病历、开放式问卷、医学图像等非结构化结果无法直接相减。论文提出最大对比特征方法，在候选特征函数类中寻找使处理与对照潜在结果差异最大的打分函数，从而自动识别被处理改变最显著的结果方向。方法支持异质效应扩展，允许特征依赖协变量；同时扩展到处理与结果均为非结构化的配对特征学习场景。实验覆盖文本风格、文本安全性、细胞图像模糊度、提示词到新闻标题生成等场景，验证方法能恢复全局和上下文依赖的处理效应方向。论文强调该方法需依赖因果推断基本假设，且学到的特征需通过解释步骤赋予语义。
文章金句
"研究者不再必须先验指定应该看哪一个文本或图像属性，而是可以在候选函数类中寻找处理诱导变化最强的结果特征。
"最大对比特征提供了一种介于纯人工指标和黑箱分布比较之间的工具。