論文の概要: Long-term Causal Inference via Modeling Sequential Latent Confounding

• arxiv url: http://arxiv.org/abs/2502.18994v1
• Date: Wed, 26 Feb 2025 09:56:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:57:00.034796
• Title: Long-term Causal Inference via Modeling Sequential Latent Confounding
• Title（参考訳）: 逐次潜伏条件のモデル化による長期因果推論
• Authors: Weilin Chen, Ruichu Cai, Yuguang Yan, Zhifeng Hao, José Miguel Hernández-Lobato,
• Abstract要約: Ghassamiらは、条件付き付加的等価バイアス(CAECB)の仮定に基づくアプローチを提案する。 我々は,時間的短期的な結果に対応するため,CAECBの仮定を拡張した新たな仮定を導入する。 提案した仮定は、時間的短期的な結果にまたがる逐次的共起バイアス間の機能的関係を述べる。
• 参考スコア（独自算出の注目度）: 49.64731441006396
• License:
• Abstract: Long-term causal inference is an important but challenging problem across various scientific domains. To solve the latent confounding problem in long-term observational studies, existing methods leverage short-term experimental data. Ghassami et al. propose an approach based on the Conditional Additive Equi-Confounding Bias (CAECB) assumption, which asserts that the confounding bias in the short-term outcome is equal to that in the long-term outcome, so that the long-term confounding bias and the causal effects can be identified. While effective in certain cases, this assumption is limited to scenarios with a one-dimensional short-term outcome. In this paper, we introduce a novel assumption that extends the CAECB assumption to accommodate temporal short-term outcomes. Our proposed assumption states a functional relationship between sequential confounding biases across temporal short-term outcomes, under which we theoretically establish the identification of long-term causal effects. Based on the identification result, we develop an estimator and conduct a theoretical analysis of its asymptotic properties. Extensive experiments validate our theoretical results and demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: 長期因果推論は、様々な科学分野において重要な問題であるが難しい問題である。 長期観測研究における潜伏埋没問題を解決するため,既存手法は短期実験データを活用する。 Ghassamiらは、条件付き加法的等価バイアス(CAECB)の仮定に基づくアプローチを提案し、短期的な結果における共起バイアスは、長期的な結果における共起バイアスと同等であり、長期的な共起バイアスと因果効果を識別できると主張している。 特定の場合において有効であるが、この仮定は1次元の短期的な結果のシナリオに限られる。 本稿では,時間的短期的な結果に対応するため,CAECBの仮定を拡張した新たな仮定を提案する。 提案した仮定は、時間的短期的な結果にまたがる逐次的共起バイアスの関数的関係を記述し、理論的には長期因果効果の同定を確立する。 同定結果に基づいて,推定器を開発し,その漸近特性を理論的に解析する。 本手法の有効性を検証し,提案手法の有効性を検証した。

関連論文リスト

• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Long-term Off-Policy Evaluation and Learning [21.047613223586794]
  アルゴリズムの短期的および長期的な結果はしばしば異なり、下流効果を損なう。 関心の長期的な結果を見るのに数ヶ月かそれ以上かかるので、アルゴリズムの選択プロセスは受け入れがたいほど遅くなります。 本稿では,報酬関数の分解に基づく長期オフライン評価(LOPE)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-24T06:59:59Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Estimating long-term causal effects from short-term experiments and long-term observational data with unobserved confounding [5.854757988966379]
  実験データと観測データの両方が利用可能である場合の長期治療効果の同定と推定について検討した。 我々の長期因果効果推定器は、回帰残差と短期実験結果を組み合わせることで得られる。
  論文  参考訳（メタデータ） (2023-02-21T12:22:47Z)
• BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
  BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。 BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
  論文  参考訳（メタデータ） (2022-06-03T16:25:48Z)
• Long-term Causal Inference Under Persistent Confounding via Data Combination [38.026740610259225]
  実験データと観測データの両方が利用可能である場合の長期治療効果の同定と推定について検討した。 長期の成果は長期間の遅延後にのみ観測されるため、実験データでは測定されず、観測データでのみ記録される。
  論文  参考訳（メタデータ） (2022-02-15T07:44:20Z)
• ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
  因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。 Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。 純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
  論文  参考訳（メタデータ） (2021-03-26T02:42:38Z)
• Long-Term Effect Estimation with Surrogate Representation [43.932546958874696]
  本研究は、一次利害関係(一次利害関係)の結果が蓄積されるまでに数ヶ月、あるいは数年を要する長期的効果の問題を研究する。 本稿では,機械学習における因果推論と逐次モデルとの接続を構築することを提案する。
  論文  参考訳（メタデータ） (2020-08-19T03:16:18Z)

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。