Fugu-MT 論文翻訳(概要): Interventional Processes for Causal Uncertainty Quantification

論文の概要: Interventional Processes for Causal Uncertainty Quantification

arxiv url: http://arxiv.org/abs/2410.14483v2
Date: Wed, 15 Oct 2025 12:55:48 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-16 15:32:12.987951
Title: Interventional Processes for Causal Uncertainty Quantification
Title（参考訳）: 因果不確かさ定量化のためのインターベンショナルプロセス
Authors: Hugh Dance, Peter Orbanz, Arthur Gretton,
Abstract要約: 継続的治療下での介入因果関数に対する不確実性をモデル化するフレームワークIMPspecを紹介する。 IMPspecは、後方信頼区間を校正するスペクトルアルゴリズムであるトラクタブルトレーニングと推論を出力し、初期のGP-on-RKHS法の不適合および分散崩壊経路を回避する。
参考スコア（独自算出の注目度）: 19.983412460505416
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Reliable uncertainty quantification for causal effects is crucial in various applications, but remains difficult in nonparametric models, particularly for continuous treatments. We introduce IMPspec, a Gaussian process (GP) framework for modeling uncertainty over interventional causal functions under continuous treatments, which can be represented using reproducing Kernel Hilbert Spaces (RKHSs). By using principled function class expansions and a spectral representation of RKHS features, IMPspec yields tractable training and inference, a spectral algorithm to calibrate posterior credible intervals, and avoids the underfitting and variance collapse pathologies of earlier GP-on-RKHS methods. Across synthetic benchmarks and an application in healthcare, IMPspec delivers state-of-the-art performance in causal uncertainty quantification and downstream causal Bayesian optimization tasks.
Abstract（参考訳）: 因果効果に対する信頼性の高い不確実性定量化は、様々な応用において重要であるが、非パラメトリックモデル、特に連続処理では依然として困難である。本稿では,連続処理下での介入因果関数に対する不確実性をモデル化するためのガウス過程(GP)フレームワークIMPspecを紹介し,Kernel Hilbert Spaces (RKHSs) を再現して表現することができる。原理的関数クラス展開とRKHS特徴のスペクトル表現を用いることで、IMPspecは、後方信頼区間を校正し、初期のGP-on-RKHS法の不適合および分散崩壊経路を回避するスペクトルアルゴリズムである、トラクタブルトレーニングと推論を得られる。 IMPspecは、総合的なベンチマークと医療への応用を通じて、因果不確実性定量化と下流因果ベイズ最適化タスクにおける最先端のパフォーマンスを提供する。

関連論文リスト

Grassmann Variational Monte Carlo with neural wave functions [45.935798913942904]
ヒルベルト空間のグラスマン幾何学の観点から、Pfau et al.citepfau2024accurateによって導入された枠組みを定式化する。正方格子上のハイゼンベルク量子スピンモデルに対する我々のアプローチを検証し、多くの励起状態に対して高精度なエネルギーと物理観測値を達成する。
論文参考訳（メタデータ） (2025-07-14T13:53:13Z)
Preconditioned Langevin Dynamics with Score-Based Generative Models for Infinite-Dimensional Linear Bayesian Inverse Problems [4.2223436389469144]
スコアベース生成モデル(SGM)によって駆動されるランゲヴィン力学は、関数空間内で直接的に定式化される。スコアの近似誤差に明示的に依存する誤差推定を初めて導いた。その結果、基底函数空間上のクルバック・リーブラー発散における大域収束のための十分条件が得られる。
論文参考訳（メタデータ） (2025-05-23T18:12:04Z)
Learning Operators by Regularized Stochastic Gradient Descent with Operator-valued Kernels [5.663076715852465]
ポーランド空間から分離可能なヒルベルト空間へ非線形作用素を推定するための正規収束エンコーダ降下(SGD)アルゴリズムについて検討する。一般SGDスキームに対して高い確率で境界を導出する新しい手法を提案する。
論文参考訳（メタデータ） (2025-04-25T08:57:38Z)
A Generalized Unified Skew-Normal Process with Neural Bayes Inference [1.5388334141379898]
近年、統計学者は非対称性や重尾のような非ガウス的な振る舞いを示す空間データに遭遇している。ガウスモデルの限界に対処するため、様々な歪んだモデルが提案され、その人気は急速に高まっている。文学における様々な提案の中で、統一スキュー・ノルマル(SUN)のような統一スキュー分布が注目されている。
論文参考訳（メタデータ） (2024-11-26T13:00:39Z)
Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文参考訳（メタデータ） (2023-10-20T10:20:45Z)
Sampling from Gaussian Process Posteriors using Stochastic Gradient Descent [43.097493761380186]
勾配アルゴリズムは線形系を解くのに有効な方法である。最適値に収束しない場合であっても,勾配降下は正確な予測を導出することを示す。実験的に、勾配降下は十分に大規模または不条件の回帰タスクにおいて最先端の性能を達成する。
論文参考訳（メタデータ） (2023-06-20T15:07:37Z)
Provable convergence guarantees for black-box variational inference [19.421222110188605]
ブラックボックスの変分推論は、最適化が成功する証拠がない状況で広く使われている。我々は,現実的な推論問題に実際に用いられている手法と同様の手法が収束するという厳密な保証を提供する。
論文参考訳（メタデータ） (2023-06-04T11:31:41Z)
Regularized Vector Quantization for Tokenized Image Synthesis [126.96880843754066]
画像の離散表現への量子化は、統合生成モデリングにおける根本的な問題である。決定論的量子化は、厳しいコードブックの崩壊と推論段階の誤調整に悩まされ、一方、量子化は、コードブックの利用率の低下と再構築の目的に悩まされる。本稿では、2つの視点から正規化を適用することにより、上記の問題を効果的に緩和できる正規化ベクトル量子化フレームワークを提案する。
論文参考訳（メタデータ） (2023-03-11T15:20:54Z)
Sharp Calibrated Gaussian Processes [58.94710279601622]
キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
論文参考訳（メタデータ） (2023-02-23T12:17:36Z)
Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。 MRP のサブクラスに対する minimax の下位境界を証明する。
論文参考訳（メタデータ） (2021-09-24T14:48:20Z)
Gaussian Process Uniform Error Bounds with Unknown Hyperparameters for Safety-Critical Applications [71.23286211775084]
未知のハイパーパラメータを持つ設定において、ロバストなガウス過程の均一なエラー境界を導入する。提案手法はハイパーパラメータの空間における信頼領域を計算し,モデル誤差に対する確率的上限を求める。実験により、バニラ法やベイズ法よりもバニラ法の方がはるかに優れていることが示された。
論文参考訳（メタデータ） (2021-09-06T17:10:01Z)
Bosonic field digitization for quantum computers [62.997667081978825]
我々は、離散化された場振幅ベースで格子ボゾン場の表現に対処する。本稿では,エラースケーリングを予測し,効率的な量子ビット実装戦略を提案する。
論文参考訳（メタデータ） (2021-08-24T15:30:04Z)
Non-asymptotic Optimal Prediction Error for Growing-dimensional Partially Functional Linear Models [0.951828574518325]
予測誤差の最大値と最大値の上限を示す。過剰な予測リスクの正確な上限は、非漸近的な形で示される。モデルのKulback-Leibler分散の正則性仮定の下で、非漸近ミニマックス下界を導出する。
論文参考訳（メタデータ） (2020-09-10T08:49:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。