論文の概要: Learning Joint Interventional Effects from Single-Variable Interventions in Additive Models
- arxiv url: http://arxiv.org/abs/2506.04945v1
- Date: Thu, 05 Jun 2025 12:20:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-06 21:53:49.690835
- Title: Learning Joint Interventional Effects from Single-Variable Interventions in Additive Models
- Title（参考訳）: 加法モデルにおける単変数干渉による連関効果の学習
- Authors: Armin Kekić, Sergio Hernan Garrido Mejia, Bernhard Schölkopf,
- Abstract要約: 観察データと単変量介入のみを用いて共同介入効果の学習方法を示す。
本稿では,それぞれの介入変数に対する因果効果を,包括的かつ未確立な貢献に分解する実用的推定器を提案する。
- 参考スコア（独自算出の注目度）: 49.567092222782435
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating causal effects of joint interventions on multiple variables is crucial in many domains, but obtaining data from such simultaneous interventions can be challenging. Our study explores how to learn joint interventional effects using only observational data and single-variable interventions. We present an identifiability result for this problem, showing that for a class of nonlinear additive outcome mechanisms, joint effects can be inferred without access to joint interventional data. We propose a practical estimator that decomposes the causal effect into confounded and unconfounded contributions for each intervention variable. Experiments on synthetic data demonstrate that our method achieves performance comparable to models trained directly on joint interventional data, outperforming a purely observational estimator.
- Abstract（参考訳）: 複数変数に対する共同介入の因果効果を推定することは、多くの領域において重要であるが、そのような同時介入からデータを取得することは困難である。
本研究では,観察データと単変量介入のみを用いて共同介入効果の学習方法について検討した。
そこで本研究では, 非線形加法的結果機構のクラスにおいて, 共同介入データにアクセスせずに, 共同効果を推定できることを示す。
本稿では,それぞれの介入変数に対する因果効果を,包括的かつ未確立な貢献に分解する実用的推定器を提案する。
合成データを用いた実験により,本手法は協調介入データに基づいて直接訓練されたモデルに匹敵する性能を示し,純粋に観測された推定値を上回る性能を示した。
関連論文リスト
- Higher-Order Causal Message Passing for Experimentation with Complex Interference [6.092214762701847]
本研究では、因果的メッセージパッシングに基づく新しい推定器のクラスを導入し、広範で未知な干渉のある設定に特化して設計する。
我々の推定器は、サンプルの平均値と時間とともに単位結果と処理のばらつきから情報を抽出し、観測データの効率的な利用を可能にする。
論文 参考訳（メタデータ） (2024-11-01T18:00:51Z) - Learning Mixtures of Unknown Causal Interventions [14.788930098406027]
構造方程式モデル(SEM)における干渉・観測データの混在化の課題について考察する。
本研究は, 混合液中の各成分を効率よく回収するために, 十分な多様性と特性を有する分布が得られるか, 軟らかいかにかかわらず, 干渉を施すことを実証する。
その結果、因果グラフは干渉的マルコフ等価クラスと同一視でき、ノイズが干渉的データの生成に影響を与えないシナリオと同様である。
論文 参考訳（メタデータ） (2024-10-31T21:25:11Z) - Zero-shot causal learning [64.9368337542558]
CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。
トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
論文 参考訳（メタデータ） (2023-01-28T20:14:11Z) - Disentangling Causal Effects from Sets of Interventions in the Presence
of Unobserved Confounders [19.32843499761667]
我々は,観察データと介入セットの両方から,単一介入の効果を学習することを目的とする。
異なるレシスタンスからデータをプールすることで因果モデルパラメータを学習するアルゴリズムを提案する。
本手法の有効性は,合成データと実世界のデータの両方で実証的に実証された。
論文 参考訳（メタデータ） (2022-10-11T13:42:36Z) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T20:13:17Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T14:29:07Z) - Learning Joint Nonlinear Effects from Single-variable Interventions in
the Presence of Hidden Confounders [9.196779204457059]
隠れた共同設立者の存在下での複数同時介入の効果を推定する手法を提案する。
非線形連続構造因果モデルからデータが生成されるという仮定の下で、同定可能性を証明する。
また,本研究の総合的な実験により,同定可能性の検証や,合成データと実世界データの両方のベースラインに対するアプローチの性能の比較を行う。
論文 参考訳（メタデータ） (2020-05-23T12:52:09Z) - Estimating the Effects of Continuous-valued Interventions using
Generative Adversarial Networks [103.14809802212535]
我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。
我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。
継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-02-27T18:46:21Z)
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。