論文の概要: Long-Term Individual Causal Effect Estimation via Identifiable Latent Representation Learning

• arxiv url: http://arxiv.org/abs/2505.05192v1
• Date: Thu, 08 May 2025 12:42:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.878748
• Title: Long-Term Individual Causal Effect Estimation via Identifiable Latent Representation Learning
• Title（参考訳）: 認識可能な潜在表現学習による個人因果効果の長期推定
• Authors: Ruichu Cai, Junjie Wan, Weilin Chen, Zeqin Yang, Zijian Li, Peng Zhen, Jiecheng Guo,
• Abstract要約: 長期観測データと短期実験データを組み合わせることで長期因果効果を推定することは、多くの現実のシナリオにおいて決定的だが困難な問題である。 既存の手法では、観測データによって引き起こされた潜在的共同設立問題に対処するために、いくつかの理想的な仮定が提案されている。 本稿では、上記の仮定を使わずに、長期的個人因果効果を推定する問題に取り組む。
• 参考スコア（独自算出の注目度）: 12.38859245341133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating long-term causal effects by combining long-term observational and short-term experimental data is a crucial but challenging problem in many real-world scenarios. In existing methods, several ideal assumptions, e.g. latent unconfoundedness assumption or additive equi-confounding bias assumption, are proposed to address the latent confounder problem raised by the observational data. However, in real-world applications, these assumptions are typically violated which limits their practical effectiveness. In this paper, we tackle the problem of estimating the long-term individual causal effects without the aforementioned assumptions. Specifically, we propose to utilize the natural heterogeneity of data, such as data from multiple sources, to identify latent confounders, thereby significantly avoiding reliance on idealized assumptions. Practically, we devise a latent representation learning-based estimator of long-term causal effects. Theoretically, we establish the identifiability of latent confounders, with which we further achieve long-term effect identification. Extensive experimental studies, conducted on multiple synthetic and semi-synthetic datasets, demonstrate the effectiveness of our proposed method.
• Abstract（参考訳）: 長期観測データと短期実験データを組み合わせることで長期因果効果を推定することは、多くの現実のシナリオにおいて決定的だが困難な問題である。 既存の手法では、観測データによって提起された潜在的共創問題に対処するために、いくつかの理想的な仮定、例えば潜在的未確立仮定(英語版)または付加的等調和バイアス仮定(英語版)(英語版)が提案されている。 しかし、現実の応用においては、これらの仮定は一般的にその実用性を制限している。 本稿では、上記の仮定を使わずに、長期的個人因果効果を推定する問題に取り組む。 具体的には、複数の情報源からのデータなどのデータの自然な不均一性を利用して、潜在的共同設立者を特定することを提案し、理想化された仮定への依存を著しく回避する。 そこで我々は,長期的因果効果の潜在的表現に基づく推定器を考案した。 理論的には、潜伏した共同設立者の識別可能性を確立し、長期的効果の特定をさらに進める。 複数の合成および半合成データセットを用いて行った大規模実験により,提案手法の有効性を実証した。

関連論文リスト

• Long-term Causal Inference via Modeling Sequential Latent Confounding [49.64731441006396]
  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。
  論文  参考訳（メタデータ） (2025-02-26T09:56:56Z)
• Nonparametric Heterogeneous Long-term Causal Effect Estimation via Data Combination [37.491679058742925]
  長期的な因果推論は多くの科学領域で注目を集めている。 また、不均一な長期因果効果を頑健かつ効果的に推定する方法も検討されている。 異種長期因果効果推定のための2段階型非パラメトリック推定器を提案する。
  論文  参考訳（メタデータ） (2025-02-26T09:17:04Z)
• Estimating Long-term Heterogeneous Dose-response Curve: Generalization Bound Leveraging Optimal Transport Weights [23.602196005738676]
  多くのアプリケーションにおいて、因果効果の長期推定は重要な問題であるが難しい問題である。 既存の手法は、長期的な平均効果を推定するために理想的な仮定に依存している。
  論文  参考訳（メタデータ） (2024-06-27T14:13:46Z)
• 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)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• 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)

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。