論文の概要: Uncovering Bias Mechanisms in Observational Studies

• arxiv url: http://arxiv.org/abs/2506.01191v1
• Date: Sun, 01 Jun 2025 21:58:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.981957
• Title: Uncovering Bias Mechanisms in Observational Studies
• Title（参考訳）: 観察研究におけるバイアス機構の解明
• Authors: Ilker Demirel, Zeshan Hussain, Piersilvio De Bartolomeis, David Sontag,
• Abstract要約: 偏差度とニュアンス関数推定器の予測性能の関係は,一般的な因果バイアス源の識別に有効であることを示す。 我々のフレームワークは、観察研究におけるバイアスの理解と特徴付けのための新しいレンズを提供し、因果推論を改善するための実践的な意味を持つ。
• 参考スコア（独自算出の注目度）: 6.085935341047458
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Observational studies are a key resource for causal inference but are often affected by systematic biases. Prior work has focused mainly on detecting these biases, via sensitivity analyses and comparisons with randomized controlled trials, or mitigating them through debiasing techniques. However, there remains a lack of methodology for uncovering the underlying mechanisms driving these biases, e.g., whether due to hidden confounding or selection of participants. In this work, we show that the relationship between bias magnitude and the predictive performance of nuisance function estimators (in the observational study) can help distinguish among common sources of causal bias. We validate our methodology through extensive synthetic experiments and a real-world case study, demonstrating its effectiveness in revealing the mechanisms behind observed biases. Our framework offers a new lens for understanding and characterizing bias in observational studies, with practical implications for improving causal inference.
• Abstract（参考訳）: 観察的研究は因果推論の鍵となる資源であるが、しばしば体系的なバイアスによって影響を受ける。 それまでの研究は主にこれらのバイアスの検出、感度分析とランダム化試験との比較、あるいはバイアス除去技術による緩和に重点を置いてきた。 しかしながら、これらのバイアスを駆動するメカニズムを明らかにするための方法論の欠如、例えば、隠れたコンファウンディングや参加者の選択によるものである。 本研究では, 偏差度とニュアンス関数推定器の予測性能の関係(観察研究)が, 因果バイアスの共通源の識別に有効であることを示す。 本手法は,広範囲な合成実験と実世界のケーススタディを通じて検証し,観察されたバイアスの背後にあるメカニズムを明らかにする上での有効性を実証する。 我々のフレームワークは、観察研究におけるバイアスの理解と特徴付けのための新しいレンズを提供し、因果推論を改善するための実践的な意味を持つ。

関連論文リスト

• When Selection Meets Intervention: Additional Complexities in Causal Discovery [16.629408366459575]
  介入研究では、被験者が実験に選択的に登録されるが、見落とされがちな選択バイアスに対処する。 我々は、観察された世界(介入が適用される)と反現実世界(介入が適用されていないときに選択が発生する)の両方を明示的に説明するグラフィカルモデルを導入する。 因果関係を同定し,同値クラスへの選択機構を提案する。
  論文  参考訳（メタデータ） (2025-03-10T13:22:38Z)
• How far can bias go? -- Tracing bias from pretraining data to alignment [54.51310112013655]
  本研究では, 事前学習データにおける性別占有バイアスと, LLMにおける性別占有バイアスの相関について検討した。 その結果,事前学習データに存在するバイアスがモデル出力に増幅されることが判明した。
  論文  参考訳（メタデータ） (2024-11-28T16:20:25Z)
• Learning sources of variability from high-dimensional observational studies [41.06757602546625]
  因果推論は、変数の存在が観測結果に影響を及ぼすかどうかを研究する。 我々の研究は、任意の次元または可測空間を持つ結果に対する因果推定を一般化する。 本稿では,一貫した条件付き独立性テストを調整するための簡単な手法を提案する。
  論文  参考訳（メタデータ） (2023-07-26T00:01:16Z)
• A Double Machine Learning Approach to Combining Experimental and Observational Data [59.29868677652324]
  実験と観測を組み合わせた二重機械学習手法を提案する。 我々の枠組みは、より軽度の仮定の下で、外部の妥当性と無知の違反を検査する。
  論文  参考訳（メタデータ） (2023-07-04T02:53:11Z)
• Falsification of Internal and External Validity in Observational Studies via Conditional Moment Restrictions [6.9347431938654465]
  RCTと観察研究の両方からのデータから、内部および外部の妥当性に関する仮定は、観測可能で検証可能な意味を持つ。 これらのCMRを因果効果、つまり「因果コントラスト」で表現することは、個別の反事実的手段とは対照的に、より信頼性の高いファルシフィケーションテストを提供することを示す。
  論文  参考訳（メタデータ） (2023-01-30T18:16:16Z)
• Unsupervised Learning of Unbiased Visual Representations [12.690228982893]
  ディープニューラルネットワークは、データセットバイアスの存在下で堅牢な表現を学ぶのに苦労することが多い。 この問題に対処するための既存のアプローチは、一般的にバイアス属性の明示的な監督、あるいはバイアスに関する事前の知識への依存を含む。 我々は3つの重要なステップを持つ完全に教師なしのデバイアス・フレームワークを提示する。
  論文  参考訳（メタデータ） (2022-04-26T10:51:50Z)
• Epistemic Uncertainty-Weighted Loss for Visual Bias Mitigation [6.85474615630103]
  偏見の存在を完全に無視する探索手法の妥当性を論じる。 本稿では,予測不確実性重み付き損失関数を持つベイズニューラルネットワークを用いて潜在的なバイアスを特定することを提案する。 本手法は、バイアスベンチマークデータセットや実世界の顔検出問題において、視覚バイアスを緩和する可能性があることを示す。
  論文  参考訳（メタデータ） (2022-04-20T11:01:51Z)
• Empirical Estimates on Hand Manipulation are Recoverable: A Step Towards Individualized and Explainable Robotic Support in Everyday Activities [80.37857025201036]
  ロボットシステムの鍵となる課題は、他のエージェントの振る舞いを理解することである。 正しい推論の処理は、(衝突)因子が実験的に制御されない場合、特に困難である。 人に関する観察研究を行うために必要なツールをロボットに装備することを提案する。
  論文  参考訳（メタデータ） (2022-01-27T22:15:56Z)
• Information-Theoretic Bias Reduction via Causal View of Spurious Correlation [71.9123886505321]
  本稿では,スプリアス相関の因果的解釈による情報理論バイアス測定手法を提案する。 本稿では,バイアス正規化損失を含むアルゴリズムバイアスに対する新しいデバイアスフレームワークを提案する。 提案したバイアス測定とデバイアス法は、多様な現実シナリオで検証される。
  論文  参考訳（メタデータ） (2022-01-10T01:19:31Z)
• An introduction to causal reasoning in health analytics [2.199093822766999]
  従来の機械学習と統計的アプローチで発生する可能性のある欠点のいくつかを強調して、観測データを分析します。 一般的な機械学習問題に対処するための因果推論の応用を実演する。
  論文  参考訳（メタデータ） (2021-05-10T20:25:56Z)
• Towards causal benchmarking of bias in face analysis algorithms [54.19499274513654]
  顔分析アルゴリズムのアルゴリズムバイアスを測定する実験手法を開発した。 提案手法は,一致したサンプル画像の合成トランスクター'を生成することに基づく。 性別分類アルゴリズムの偏見を従来の観察法を用いて分析することにより,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-07-13T17:10:34Z)

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。