論文の概要: Density Ratio-Free Doubly Robust Proxy Causal Learning

• arxiv url: http://arxiv.org/abs/2505.19807v1
• Date: Mon, 26 May 2025 10:44:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.362822
• Title: Density Ratio-Free Doubly Robust Proxy Causal Learning
• Title（参考訳）: 密度比のない2倍ロバストなプロキシ因果学習
• Authors: Bariscan Bozkurt, Houssam Zenati, Dimitri Meunier, Liyuan Xu, Arthur Gretton,
• Abstract要約: Proxy Causal Learning frameworkにおける因果関数推定の問題について検討する。 結果ブリッジ法と治療ブリッジ法という2つの主要なアプローチが提案されている。 両手法の強みを組み合わせた2つのカーネルベースの二重頑健な推定器を提案する。
• 参考スコア（独自算出の注目度）: 27.890635192855846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the problem of causal function estimation in the Proxy Causal Learning (PCL) framework, where confounders are not observed but proxies for the confounders are available. Two main approaches have been proposed: outcome bridge-based and treatment bridge-based methods. In this work, we propose two kernel-based doubly robust estimators that combine the strengths of both approaches, and naturally handle continuous and high-dimensional variables. Our identification strategy builds on a recent density ratio-free method for treatment bridge-based PCL; furthermore, in contrast to previous approaches, it does not require indicator functions or kernel smoothing over the treatment variable. These properties make it especially well-suited for continuous or high-dimensional treatments. By using kernel mean embeddings, we have closed-form solutions and strong consistency guarantees. Our estimators outperform existing methods on PCL benchmarks, including a prior doubly robust method that requires both kernel smoothing and density ratio estimation.
• Abstract（参考訳）: 本稿では,共同創設者が観察されず,共同創設者のプロキシが利用できるPCL(Proxy Causal Learning)フレームワークにおける因果関数推定の問題について検討する。 結果ブリッジ法と治療ブリッジ法という2つの主要なアプローチが提案されている。 本研究では,両手法の強みを組み合わせた2つのカーネルベース二重頑健な推定器を提案し,連続変数と高次元変数を自然に扱う。 さらに, 従来の手法とは対照的に, 処理変数上でのインジケータ関数やカーネルの平滑化は不要である。 これらの性質は、特に連続または高次元の処理に適している。 カーネル平均埋め込みを用いることで、閉形式解と強い一貫性を保証する。 我々の推定器はPCLベンチマークの既存の手法よりも優れており、カーネルの平滑化と密度比の推定の両方を必要とする2倍の頑健な手法を含む。

関連論文リスト

• Density Ratio-based Proxy Causal Learning Without Density Ratios [26.49087216375106]
  本稿では,隠れた共起の存在下で観測データから因果効果を推定することを目的とした,プロキシ因果学習(PCL)の設定に対処する。 プロキシ変数の因果効果を推定する2つの手法が提案されている。 本稿では, 比比の明示的推定を回避し, 連続・高次元処理に適した第2の手法の実用的, 効果的な実装を提案する。
  論文  参考訳（メタデータ） (2025-03-11T12:27:54Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Provably Efficient UCB-type Algorithms For Learning Predictive State Representations [55.00359893021461]
  逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である 本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。 PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
  論文  参考訳（メタデータ） (2023-07-01T18:35:21Z)
• Learning Against Distributional Uncertainty: On the Trade-off Between Robustness and Specificity [29.672383320615218]
  本稿では,3つのアプローチを統一し,上記の課題に対処する新たな枠組みについて検討する。 新しいモデルは、目に見えないデータとトレーニングデータへの特異性の間のトレードオフを明らかにする。 実世界の様々なタスクの実験は、提案した学習フレームワークの優位性を検証する。
  論文  参考訳（メタデータ） (2023-01-31T11:33:18Z)
• Deep Learning Methods for Proximal Inference via Maximum Moment Restriction [0.0]
  深層ニューラルネットワークに基づくフレキシブルでスケーラブルな手法を導入し,不測の共起の存在による因果効果を推定する。 提案手法は,2つの確立された近位推定ベンチマークにおいて,技術性能の状態を達成している。
  論文  参考訳（メタデータ） (2022-05-19T19:51:42Z)
• False Correlation Reduction for Offline Reinforcement Learning [115.11954432080749]
  本稿では,実効的かつ理論的に証明可能なアルゴリズムであるオフラインRLに対するfalSe Correlation Reduction (SCORE)を提案する。 SCOREは、標準ベンチマーク(D4RL)において、様々なタスクにおいて3.1倍の高速化でSoTA性能を達成することを実証的に示す。
  論文  参考訳（メタデータ） (2021-10-24T15:34:03Z)
• Proximal Causal Learning with Kernels: Two-Stage Estimation and Moment Restriction [39.51144507601913]
  我々は近位因果学習の設定に焦点をあてるが、本手法はフレドホルム積分方程式によって特徴づけられるより広い逆問題のクラスを解くのに使うことができる。 我々は,各アルゴリズムに一貫性の保証を提供し,これらの手法が合成データと実世界のタスクをシミュレートしたデータにおいて競争的な結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-05-10T17:52:48Z)
• An Online Method for A Class of Distributionally Robust Optimization with Non-Convex Objectives [54.29001037565384]
  本稿では,オンライン分散ロバスト最適化(DRO)のクラスを解決するための実用的なオンライン手法を提案する。 本研究は,ネットワークの堅牢性向上のための機械学習における重要な応用を実証する。
  論文  参考訳（メタデータ） (2020-06-17T20:19:25Z)
• Distributional Robustness and Regularization in Reinforcement Learning [62.23012916708608]
  経験値関数の新しい正規化器を導入し、ワッサーシュタイン分布のロバストな値関数を下限とすることを示す。 強化学習における$textitexternalな不確実性に対処するための実用的なツールとして正規化を使用することを提案する。
  論文  参考訳（メタデータ） (2020-03-05T19:56:23Z)

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。