Debiased Counterfactual Generation via Flow Matching from Observations¶
会议: NeurIPS 2026
arXiv: 2605.07665
OpenReview: https://openreview.net/forum?id=t2qgnOp8Wx
领域: 因果推理
关键词: 反事实分布估计, 去混杂流, 流匹配, 有效影响函数, 双重稳健估计
一句话总结¶
本文揭示了观测条件分布与反事实结果分布在支撑集、尾部行为及混杂不变特征上的结构同构性，提出从观测条件分布出发学习“去混杂流（DecFM）”的流匹配框架，并推导了针对数据依赖型基底分布的新型有效影响函数（EIF）去偏梯度估计器与小批量熵最优传输（EOT）扩展，在因果推断基准和高维图像属性重平衡任务上均显著超越现有去偏生成方法。
研究背景与动机¶
在因果推断与可控生成建模中，估计二元干预变量固定为特定取值时的反事实结果分布是一个核心问题。例如在公共政策评估中，研究者希望了解若全人群均接受某项政策干预，收入分布将如何变化；在公平图像生成中，则需要生成具有指定语义属性（如性别）的图像，同时消除数据集内与敏感或冗余属性（如发色、背景）的虚假相关。由于现实中往往只能获取带有混杂偏见的观测样本，直接插值估计条件结果分布会继承高维协变量带来的严重偏差，而传统的逆倾向得分加权（IPW）不仅无法直接给出生成模型，还会在正定性较弱（weak overlap）时面临方差爆炸。
近年来，结合因果识别理论与半参数去偏技术（如有效影响函数 EIF 与双重稳健估计）的生成式方法成为了反事实分布估计的主流方案（如 INF、DRMKSD 和 DoubleGen）。然而，这类方法无一例外地将反事实分布视为一个孤立的、无结构的生成目标，习惯从标准高斯噪声等固定先验分布出发“从头学习”整个分布。这种从头生成的策略忽视了观测数据本身的几何结构：一方面，从高斯先验出发的平滑微分同胚映射难以适配重尾分布、不连通支撑集或多模态结构；另一方面，在高维图像任务中，混杂变量往往只影响颜色、纹理等局部属性，若从纯噪声开始生成，模型不得不耗费大量容量去重新合成整张图像的几何与身份内容。
本文敏锐地指出，观测数据不仅应当作为训练监督信号的来源，更应当直接作为生成模型自身的起点。作者从理论上证明，反事实分布 \(\mathbb{P}_{Y(a)}\) 与观测条件分布 \(\mathbb{P}_{Y \mid A=a}\) 本质上是同一族条件结果分布 \(\mathbb{P}_{Y \mid X=x, A=a}\) 在不同协变量分布（全人群分布 \(\mathbb{P}_X\) 与条件分布 \(\mathbb{P}_{X \mid A=a}\)）下的混合。这种共享混合结构带来了三大性质：在正定性假设下两者拥有完全相同的支撑集与尾部矩存在性（Theorem 3.1）；在弱混杂或平滑结果机制下两者的总变差（TV）距离与最优传输位移均被协变量偏移严格约束（Theorem 3.2）；任何对混杂变量不敏感的特征在两个分布下保持完全一致（Theorem 3.3）。核心 idea：不再从高斯噪声从头生成反事实分布，而是将观测条件分布 \(\mathbb{P}_{Y \mid A=a}\) 作为流匹配模型的源分布，学习一个直接将其传输至反事实目标分布 \(\mathbb{P}_{Y(a)}\) 的去混杂流（Deconfounding Flow, DecFM），并通过推导适配数据依赖型源分布的新型有效影响函数（EIF）与小批量熵最优传输耦合，实现兼具双重稳健性、半参数渐近有效性及低能量结构化编辑的反事实生成。
方法详解¶
整体框架¶
DecFM 的核心目标是在给定混杂观测样本 \((X_i, A_i, Y_i)_{i=1}^n\) 的条件下，为每个干预水平 \(a \in \{0, 1\}\) 学习一个由速度场 \(v_{\theta_a}(y_t, t)\) 驱动的常微分方程（ODE）时间-1 流映射 \(f_a^\theta\)，使得源分布 \(Y_0 \sim \mathbb{P}_{Y \mid A=a}\) 经过该流传输后精确逼近反事实分布 \(Y_1 \sim \mathbb{P}_{Y(a)}\)。整体流程首先利用观测数据预估计与优化参数 \(\theta_a\) 无关的干扰模型（倾向得分模型 \(\hat{\pi}_a(x)\) 与条件结果流模型 \(\hat{\mathbb{P}}_{Y \mid A=a, X=x}\)）；随后在流匹配训练阶段，从经验观测条件分布 \(\hat{\mathbb{P}}_{Y \mid A=a}\) 中采样基底样本，结合独立耦合或小批量熵最优传输（Minibatch EOT）耦合构造插值路径，并利用基于新型 EIF 化简得到的双重稳健梯度估计器更新速度场网络；最终在推理阶段，直接从观测条件样本出发沿学到的速度场积分，即可完成去混杂的反事实样本生成。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["混杂观测数据集 (X, A, Y)<br/>预训练倾向得分与条件结果干扰模型"] --> B["观测条件基底与去混杂流建模<br/>以 P(Y|A=a) 为源分布构造流匹配目标"]
B --> C["新型 EIF 去偏梯度估计器<br/>消去基底分布估计偏差并实现双重稳健优化"]
C --> D["高维小批量 EOT 耦合扩展<br/>用 Sinkhorn 耦合替代独立配对诱导低能量直线路径"]
D --> E["沿速度场 ODE 积分<br/>输出去偏反事实样本 Y(a)"]关键设计¶
1. 观测条件基底与去混杂流建模：利用同构混合结构将“从头生成”转化为“结构化编辑”
传统反事实生成模型以标准高斯分布 \(\mathcal{N}(0, I)\) 为基底，当目标分布存在重尾、支撑集分裂或复杂图像流形时，连续双射流往往因拓扑和李普希茨约束而失效。为解决这一痛点，本文直接选用观测条件分布 \(\mathbb{P}_{Y \mid A=a}\) 作为流匹配的源分布（\(Y_0 \sim \mathbb{P}_{Y \mid A=a}\)），以反事实分布 \(\mathbb{P}_{Y(a)}\) 作为目标分布（\(Y_1 \sim \mathbb{P}_{Y(a)}\)），通过时间 \(t \sim \mathrm{Unif}(0,1)\) 上的线性插值 \(\phi_t(y_0, y_1) = (1-t)y_0 + t y_1\) 构造条件流匹配损失，训练参数化速度场 \(v_{\theta_a}(y_t, t)\) 去拟合路径导数 \(y_1 - y_0\)。由于 \(\mathbb{P}_{Y \mid A=a}\) 与 \(\mathbb{P}_{Y(a)}\) 共享相同的底层条件生成机制 \(\mathbb{P}_{Y \mid X=x, A=a}\)，二者天然具备相同的支撑集、尾部厚度以及对混杂变量 \(X\) 不敏感的语义结构。因此，速度场无需耗费容量去改变分布维度、制造重尾或重绘图像的全局几何，只需学习由协变量分布差异（\(\mathbb{P}_{X \mid A=a}\) 到 \(\mathbb{P}_X\)）所引起的局部属性重平衡偏移。在弱混杂或结果对协变量变化平滑（\(L_a\)-Lipschitz）的条件下，最优去混杂映射与恒等映射的距离满足 \(\|f_a - \mathrm{id}\|_{L^2(\mathbb{P}_{Y \mid a})} \le L_a W_2(\mathbb{P}_X, \mathbb{P}_{X \mid a})\)，目标速度场接近零向量，大幅降低了统计学习难度。
2. 新型 EIF 去偏梯度估计器：消去基底分布估计偏差并实现双重稳健优化
由于真实反事实样本 \(Y_1 \sim \mathbb{P}_{Y(a)}\) 无法直接观测，流匹配损失关于参数 \(\theta_a\) 的总体梯度矩条件需通过因果识别公式写为 \(m_a(\theta_a, \mathbb{P}) = \mathbb{E}_{\mathbb{P}}[\mathbb{E}_{\mathbb{P}}[g_{\theta_a}(Y) \mid A=a, X]]\)，其中单点流匹配梯度积分定义为 \(g_{\theta_a}(y) = \int r_{\theta_a}(y, \tilde{y}) \mathbb{P}_{Y \mid a}(d\tilde{y})\)，而 \(r_{\theta_a}(y, \tilde{y}) = \int_0^1 \nabla_{\theta_a} \|v_{\theta_a}(\phi_t(y, \tilde{y}), t) - (\tilde{y} - y)\|^2 dt\) 为单对样本的积分梯度得分（注意原文中线性插值与梯度的记号约定）。与以往所有半参数生成估计器不同，这里的内部函数 \(g_{\theta_a}(y)\) 本身依赖于未知的数据分布 \(\mathbb{P}\)（因为需要对源分布 \(\mathbb{P}_{Y \mid A=a}\) 积分）。针对这一核心难点，作者从头推导了该泛函的完整有效影响函数（Theorem 4.1）：除了常规的 AIPW 修正项外，还额外多出了一个刻画源分布 \(\mathbb{P}_{Y \mid A=a}\) 估计不确定性的交叉修正项 \(\frac{\mathbf{1}_{\{\tilde{a}=a\}}}{\mathbb{P}_A(a)}(\chi_{\theta_a}(\tilde{y}) - \mathbb{E}[\chi_{\theta_a}(Y) \mid A=a])\)。如果在每次梯度下降迭代时都对依赖 \(\theta_a\) 的回归函数重新拟合，计算将完全不可行。为此，作者设计了巧妙的解耦策略：先在优化前预训练与 \(\theta_a\) 无关的倾向得分模型 \(\hat{\pi}_a(x)\) 和条件结果生成流 \(\hat{\mathbb{P}}_{Y \mid A=a, X=x}\)，并直接在当前评估折（evaluation fold）上用经验测度估计 \(\hat{\mathbb{P}}_A\) 与源分布 \(\hat{\mathbb{P}}_{Y \mid A=a}\)。这一设计使得完整 EIF 中繁琐的额外交叉项 \(\chi_{\theta_a}\) 在经验求和时恰好代数相消，最终化简为可直接用于小批量随机梯度下降（SGD）的单步去偏梯度估计器：
作者进一步将经验过程理论推广至 V-过程（V-processes），证明了该估计器即使复用评估折经验源分布，依然保持 \(\mathcal{O}_{\mathbb{P}}(n^{-1/2})\) 的渐近正态性与双重稳健性（只要 \(\hat{\pi}_a\) 或 \(\hat{\mathbb{P}}_{Y \mid a, x}\) 之一相合即一致，且误差项为两者 L2/Wasserstein 误差的乘积）。
3. 高维小批量 EOT 耦合扩展：用 Sinkhorn 耦合替代独立配对诱导低能量直线路径
在一维空间中，独立耦合下的流匹配天然收敛到二次代价最优传输（OT）映射；但在高维或多模态空间中，独立抽样配对 \(Y_0 \sim \mathbb{P}_{Y \mid a}\) 与 \(Y_1 \sim \mathbb{P}_{Y(a)}\) 会导致传输轨迹严重弯曲并偏向均值，无法利用 Theorem 3.2 所保证的“近恒等、最小动能”几何优势。为此，作者将去偏梯度估计器中的独立源分布测度 \(\hat{\mathbb{P}}_{Y \mid a}(d\tilde{y})\) 替换为以目标点为条件的熵最优传输条件耦合 \(\gamma^\varepsilon_{0 \mid 1}(d\tilde{y} \mid y)\)（即 DecFM-EOT）。具体实现上，在每个 SGD 小批量中，先从预训练条件模型采样出一批插值伪样本 \(\mathcal{S} = \{\hat{Y}_{i,k}\}\) 代表反事实边缘分布，同时从观测条件分布采样一批基底样本 \(\mathcal{T} = \{\tilde{Y}_j\}\)，运行 \(K\) 步 Sinkhorn 算法求解两者在欧氏距离平方代价下的熵正则化 OT 对偶势 \(\{v_j\}\)。随后利用样本外条件扩展公式：
为每个真实观测结果 \(Y_i\) 或伪样本 \(\hat{y}\) 动态重采样与之几何距离最近的基底样本 \(\tilde{Y}_j\)。此外，为防止插值模型设定错误破坏耦合质量，作者还提出了可选的指数倾斜（Exponential Tilting）机制，在预计算阶段重加权伪样本池使其矩特征对齐双重稳健矩估计。这种条件 EOT 配对使图像和紧支撑多模态数据在传输时自动对齐结构相似的样本，从而走出平直、低能量的属性编辑轨迹。
损失函数 / 训练策略¶
训练分为两个阶段（详见原文 Algorithm 1-3）： 1. 干扰模型（Nuisance Models）预训练： - 倾向得分模型 \(\hat{\pi}_a(x)\)：在非图像任务中使用随机森林（最大树深在 \([1, 3, 5, 10]\) 中交叉验证，叶节点最小样本数为 1）；在 CelebA 中因 \(X\) 为二元变量直接取经验频率。 - 条件结果模型 \(\hat{\mathbb{P}}_{Y \mid X=x, A=a}\)：同样秉持去混杂流思想，以经验观测分布 \(\hat{\mathbb{P}}_{Y \mid A=a}\) 为源分布训练一个以 \((X, A, t)\) 为条件的插件式条件流匹配模型 \(v_\eta(y_t, t, x, a)\)。 2. 去混杂流（Target Flow）去偏训练： - 共享干预臂参数化：实际训练单个网络 \(v_\theta(y, t, a)\) 同时服务于 \(a \in \{0, 1\}\)。 - 非图像实验使用单隐层宽度为 64 的 SiLU MLP，Batch size 为 512，Adam 学习率 \(10^{-3}\)，训练 1000 epochs（因果基准采用 2 折交叉拟合，EOT 采用 \(K=50\) 步 Sinkhorn 与 \(\varepsilon=0.1\)）。 - 图像实验（ColorMNIST 与 CelebA）采用带跳跃连接的 4 级 U-Net（通道数为 \(c, 2c, 4c, 8c\)，在条件干扰模型中对 \(A\) 使用类别条件归一化、对 \(X\) 使用 FiLM 调制，在目标流中仅对 \(A\) 和时间 \(t\) 条件化），学习率 \(10^{-4}\)；训练时对基底样本注入 \(\sigma=0.1\) 的高斯噪声防止过拟合。
实验关键数据¶
主实验¶
作者在 4 组经典因果推断基准数据集上评估了反事实分布估计精度（表 2），对比了基于核密度估计的 AIPW 估计器（KDE）、截断级数估计器（TSE）、交互式规范流（INF）、双重稳健核 Stein 散度能量模型（DRMKSD）以及基于高斯基底流匹配的渐近有效估计器（DoubleGen）。
表 1：因果推断基准数据集上的反事实分布估计误差（平均 \(W_1\) 距离 \(\downarrow\)，10 次实验均值 \(\pm\) 标准差）
| 方法 | 模型类别 | ACIC (Gaussian) | 401k (SplitSupport) | TWINS (HeavyTails) | ACIC16 (Challenge) |
|---|---|---|---|---|---|
| KDE | 核密度估计 (AIPW) | 0.14 \(\pm\) 0.01 | 0.50 \(\pm\) 0.01 | 0.28 \(\pm\) 0.02 | 0.73 \(\pm\) 0.14 |
| TSE | 截断余弦级数 | 0.07 \(\pm\) 0.02 | 0.26 \(\pm\) 0.06 | 2.75 \(\pm\) 1.82 | 0.46 \(\pm\) 0.38 |
| INF | 规范流 (Normalizing Flow) | 0.10 \(\pm\) 0.03 | 0.06 \(\pm\) 0.07 | 0.42 \(\pm\) 0.05 | 0.50 \(\pm\) 0.11 |
| DRMKSD | 能量模型 (Kernel Stein) | 0.18 \(\pm\) 0.01 | 0.08 \(\pm\) 0.04 | 0.34 \(\pm\) 0.07 | 1.04 \(\pm\) 0.68 |
| DoubleGen | 连续流匹配 (\(\mathcal{N}(0,I)\) 基底) | 0.05 \(\pm\) 0.02 | 0.07 \(\pm\) 0.01 | 0.36 \(\pm\) 0.14 | 0.62 \(\pm\) 0.24 |
| DecFM (本文) | 去混杂流 (\(\mathbb{P}_{Y\mid a}\) 基底) | 0.05 \(\pm\) 0.02 | 0.04 \(\pm\) 0.01 | 0.25 \(\pm\) 0.08 | 0.35 \(\pm\) 0.15 |
在高维图像属性重平衡任务 CelebA（\(n \approx 20,000\)，控制语义属性 \(A=\mathrm{Sex}\)，重平衡强相关混杂属性 \(X=\mathrm{HairColor}\) 使之恢复全人群分布 \(\mathbb{P}_X\)）上的定量对比如下：
表 2：CelebA 高维图像反事实属性重平衡结果（Sliced Wasserstein-2 距离 \(\mathrm{SW}_2 \downarrow\)，3 个随机种子均值 \(\pm\) 标准差）
| 干预臂 \(a\) | 方法 | 源分布基线误差 \(\mathrm{SW}_2\) (base) | 生成目标误差 \(\mathrm{SW}_2\) (target) | 相对高斯流匹配误差降幅 |
|---|---|---|---|---|
| \(a = 0\) | Gaussian-FM | 0.575 \(\pm\) 0.016 | 0.126 \(\pm\) 0.004 | - |
| \(a = 0\) | DecFM-I (独立耦合) | 0.066 \(\pm\) 0.005 | 0.035 \(\pm\) 0.001 | -72.2% |
| \(a = 0\) | DecFM-EOT (熵最优传输) | 0.066 \(\pm\) 0.005 | 0.032 \(\pm\) 0.002 | -74.6% |
| \(a = 1\) | Gaussian-FM | 0.547 \(\pm\) 0.002 | 0.149 \(\pm\) 0.007 | - |
| \(a = 1\) | DecFM-I (独立耦合) | 0.059 \(\pm\) 0.004 | 0.036 \(\pm\) 0.007 | -75.8% |
| \(a = 1\) | DecFM-EOT (熵最优传输) | 0.059 \(\pm\) 0.004 | 0.035 \(\pm\) 0.004 | -76.5% |
消融实验¶
作者专门针对不同结果分布几何结构（高斯单峰、逆伽马重尾、均匀混合不连通支撑集），在相同去偏估计器与相同 MLP 速度场架构下，消融了从观测条件分布 \(\mathbb{P}_{Y \mid a}\) 出发与从标准高斯基底 \(\mathcal{N}(0, I)\) 出发的差异（表 1，\(n=1000\)，50 次重复实验）：
表 3：不同结果几何结构下源分布选择消融实验（平均 \(W_1\) 误差 \(\downarrow\)，50 次实验均值 \(\pm\) 标准差）
| 结果分布几何类型 (Outcome Geometry) | \(\mathbb{P}_{Y \mid a}\) 源分布 (DecFM) | \(\mathcal{N}(0, I)\) 源分布 (Gaussian Base) | 说明 |
|---|---|---|---|
| Gaussian（单峰高斯，高斯先验匹配） | 0.15 \(\pm\) 0.05 | 0.13 \(\pm\) 0.05 | 先验完美匹配时两者性能相当 |
| Inverse Gamma（协变量依赖重尾分布） | 0.71 \(\pm\) 0.32 | 1.04 \(\pm\) 0.46 | 观测基底自带重尾，误差降低 31.7% |
| Mixture of Uniform（不连通分裂支撑集） | 0.04 \(\pm\) 0.01 | 0.08 \(\pm\) 0.01 | 避免连续流切分连通支撑集的拓扑瓶颈，误差减半 |
关键发现¶
- 去混杂流在复杂几何与真实挑战赛上全面占优：在表 1 中，DoubleGen 同样采用流匹配但从 \(\mathcal{N}(0,I)\) 出发，在简单高斯结果（ACIC）上与 DecFM 持平（0.05），但在分裂支撑集（401k）、重尾（TWINS）与真实潜在结果挑战赛（ACIC16）上，DecFM 将 \(W_1\) 误差分别从 0.07、0.36、0.62 显著降至 0.04、0.25、0.35（ACIC16 上降低达 43.5%），直接证明收益来自“以 \(\mathbb{P}_{Y \mid a}\) 为源分布”而非流匹配本身。
- 图像去偏从“从头合成”降维为“属性局部修改”：在 CelebA（表 2）与 ColorMNIST 实验（图 3）中，观测分布 \(\mathbb{P}_{Y \mid A=a}\) 本身在图像空间的初始 \(\mathrm{SW}_2\)（约 0.06）就远低于高斯噪声训练出的最终模型（0.126~0.149），而施加 DecFM 后又进一步将 \(\mathrm{SW}_2\) 降低了约 40%~50%（至 0.032~0.035），且可视化轨迹显示模型仅精准修改了部分样本的发色或数字颜色，完整保留了人脸身份、姿态与背景。
- 小批量 EOT 耦合显著提升多模态与小容量网络鲁棒性：在附录 A.2 的二维多模态高斯混合消融以及 ColorMNIST 不同 U-Net 宽度（\(c \in \{8, 16, 32\}\)）实验中，独立耦合因轨迹向均值弯曲导致多模态下性能严重退化，而 DecFM-EOT 诱导了平直传输路径，不仅在多模态下大幅领先，还能让极窄网络（width=4）达到宽网络（width=64）的分布精度。
亮点与洞察¶
- 揭示观测分布与反事实分布的深层几何纽带：本文最让人“啊哈”的洞察在于指出 \(\mathbb{P}_{Y(a)}\) 与 \(\mathbb{P}_{Y \mid A=a}\) 只是同一条件核在不同协变量权重下的混合。这一看似简单的观察直接导出了支撑集一致、尾部等价和混杂不变特征守恒三大定理，彻底颠覆了以往将反事实生成视为“从纯噪声从头建模”的定势思维。
- 数据依赖型基底下的 EIF 代数相消技巧：当流匹配基底变为经验分布 \(\mathbb{P}_{Y \mid a}\) 时，目标矩泛函对数据分布产生了双重依赖，导致理论 EIF 出现复杂的额外项 \(\chi_{\theta_a}\)。作者通过将参数无关的干扰分布外包，并在同一评估折上取源分布经验测度，使额外 EIF 修正项在求和中精确对消，再用 V-过程理论补齐渐近有效性证明——既有严密的统计理论深度，又保持了极简的工程实现。
- 可迁移的设计范式：将“利用源域与目标域共享条件核结构，用流匹配做最小能量分布修正”的思想，可以直接迁移到领域自适应（Covariate Shift 修正）、联邦学习中的客户端分布对齐以及大语言模型/视觉生成模型的训练后去偏（Post-training Debiasing）任务中，避免重训底座模型。
局限与展望¶
- 依赖标准因果识别假设與基底锚点质量：方法依然受限于无未观测混杂（Unobserved Confounding）、正定性（Positivity）以及干扰模型估计精度；当正定性极弱或结果机制随协变量剧烈剧变时，\(\mathbb{P}_{Y \mid A=a}\) 与 \(\mathbb{P}_{Y(a)}\) 差距依然较大，流传输仍具挑战。
- 数据依赖型 EOT 耦合的一阶偏差尚未完全闭合：在 DecFM-EOT 扩展中，用于配对的熵最优传输耦合 \(\gamma_{0 \mid 1}\) 是利用插值伪样本动态估计的，现有的固定耦合 EIF 修正无法在理论上消除估计该耦合本身带来的额外统计误差（尽管理论上可通过指数倾斜缓解，且实证收益大于偏差）。
- 未来方向：作者指出未来可进一步研究针对最优传输耦合本身的去偏修正理论，开发在弱重叠/剧烈机制变化下评估 \(\mathbb{P}_{Y \mid A=a}\) 是否适合作为几何锚点的诊断工具，并将分布同构理论推广至前门准则（Front-door Criterion）或工具变量等更广泛的因果识别机制中。
相关工作与启发¶
- vs DoubleGen (Luedtke & Fukumizu, 2025) / INF (Melnychuk et al., 2023)：它们同样利用半参数有效影响函数（EIF）训练反事实生成流（连续流匹配或规范流），但均从固定高斯先验 \(\mathcal{N}(0, I)\) 出发从头生成 \(\mathbb{P}_{Y(a)}\)；本文改从观测条件分布 \(\mathbb{P}_{Y \mid A=a}\) 出发学习去混杂流，克服了高斯先验在重尾、分裂支撑集及高维图像结构保持上的固有缺陷，并推导了适配数据依赖型基底的新 EIF 与 V-过程理论。
- vs 传统插值生成模型（如 DeepSCM / 扩散因果模型）：传统插值方法直接拟合 \(\hat{\mathbb{P}}_{Y \mid X, A}\) 再对经验 \(\mathbb{P}_X\) 积分，当协变量 \(X\) 维度较高时容易将回归偏差直接传导至反事实分布；本文通过一步 EIF 修正实现了双重稳健性与 \(n^{-1/2}\) 渐近半参数有效性，对干扰模型的收敛速率要求放宽至 \(o_{\mathbb{P}}(n^{-1/4})\)。
- vs Minibatch OT Flow Matching (Tong et al., 2023)：Tong 等人在常规无偏样本上对源分布与目标分布做小批量最优传输流匹配；本文将小批量熵最优传输（EOT）嵌入到了带有倾向得分与结果插值双重稳健修正的反事实估计方程中，并通过条件对偶势样本外扩展实现了未观测反事实目标下的低能量轨迹配对。
评分¶
- 新颖性: ⭐⭐⭐⭐⭐ 首次从理论与算法层面将反事实生成重构为从观测条件分布出发的去混杂流匹配，并给出了含 V-过程与新 EIF 的完整半参数统计理论。
- 实验充分度: ⭐⭐⭐⭐⭐ 覆盖合成几何消融、4 大经典因果推断基准、二维多模态轨迹分析以及 ColorMNIST/CelebA 高维图像重平衡，对比基线全面且扎实。
- 写作质量: ⭐⭐⭐⭐⭐ 理论动机层层递进，从混合分布同构性自然引出流匹配、EIF 代数化简与 EOT 扩展，数学推导与直观解释结合得极为出色。
- 价值: ⭐⭐⭐⭐⭐ 为因果生成建模与高维视觉去偏提供了一套兼具统计最优性保証与极高样本效率的通用框架，具有重要的理论与实用价值。