論文の概要: Do-PFN: In-Context Learning for Causal Effect Estimation

• arxiv url: http://arxiv.org/abs/2506.06039v1
• Date: Fri, 06 Jun 2025 12:43:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.473162
• Title: Do-PFN: In-Context Learning for Causal Effect Estimation
• Title（参考訳）: Do-PFN:因果効果推定のための文脈学習
• Authors: Jake Robertson, Arik Reuter, Siyuan Guo, Noah Hollmann, Frank Hutter, Bernhard Schölkopf,
• Abstract要約: 予備データ適合ネットワーク(PFN)は, 合成データに基づいて事前学習を行い, 結果を予測する。 提案手法により,基礎となる因果グラフの知識を必要とせず,因果効果の正確な推定が可能となる。
• 参考スコア（独自算出の注目度）: 75.62771416172109
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimation of causal effects is critical to a range of scientific disciplines. Existing methods for this task either require interventional data, knowledge about the ground truth causal graph, or rely on assumptions such as unconfoundedness, restricting their applicability in real-world settings. In the domain of tabular machine learning, Prior-data fitted networks (PFNs) have achieved state-of-the-art predictive performance, having been pre-trained on synthetic data to solve tabular prediction problems via in-context learning. To assess whether this can be transferred to the harder problem of causal effect estimation, we pre-train PFNs on synthetic data drawn from a wide variety of causal structures, including interventions, to predict interventional outcomes given observational data. Through extensive experiments on synthetic case studies, we show that our approach allows for the accurate estimation of causal effects without knowledge of the underlying causal graph. We also perform ablation studies that elucidate Do-PFN's scalability and robustness across datasets with a variety of causal characteristics.
• Abstract（参考訳）: 因果効果の推定は、様々な科学分野において重要である。 このタスクの既存の方法は、介入データを必要とするか、基礎となる真理因果グラフに関する知識を必要とするか、あるいは未確立性のような仮定に依存し、現実の環境での適用性を制限するかのどちらかである。 表付き機械学習の分野では、先行データ対応ネットワーク(PFN)は、テキスト内学習による表付き予測問題を解決するために、合成データに事前訓練され、最先端の予測性能を達成している。 因果効果推定の難しい問題に移行できるかどうかを評価するため,介入を含む多種多様な因果構造から抽出された合成データにPFNを事前訓練し,観察データから得られた介入結果を予測する。 本研究は, ケーススタディにおける広範囲な実験を通じて, 基礎となる因果グラフの知識を必要とせず, 因果効果の正確な推定を可能にすることを示す。 また、様々な因果特性を持つデータセット間のDo-PFNのスケーラビリティと堅牢性を解明するアブレーション研究も行った。

関連論文リスト

• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• On the Robustness of Global Feature Effect Explanations [17.299418894910627]
  ブラックボックス教師あり学習における予測的特徴の影響は、応用科学におけるモデルと科学的発見に不可欠な診断ツールである。 部分依存プロットのロバスト性の評価と局所効果の蓄積に関する理論的考察を紹介する。
  論文  参考訳（メタデータ） (2024-06-13T12:54:53Z)
• Data-Driven Estimation of Heterogeneous Treatment Effects [15.140272661540655]
  異種治療効果推定(ヘテロジニアス・エフェクト・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント)は、経験科学において重要な問題である。 機械学習を用いた不均一な処理効果推定のための最先端データ駆動手法について調査する。
  論文  参考訳（メタデータ） (2023-01-16T21:36:49Z)
• Evaluation of Induced Expert Knowledge in Causal Structure Learning by NOTEARS [1.5469452301122175]
  非パラメトリックNOTEARSモデルの定式化に使用される追加制約の形で、専門家の知識が因果関係に与える影響について検討する。 その結果, (i) NOTEARSモデルの誤りを正す知識は, 統計的に有意な改善をもたらすこと, (ii) アクティブエッジに対する制約は, 非アクティブエッジよりも因果発見に肯定的な影響を与えること, (iii) 意外なことに, (iii) 誘導された知識は, 平均的な不正確なアクティブエッジおよび/または非アクティブエッジに対して予想以上に正確でないことが判明した。
  論文  参考訳（メタデータ） (2023-01-04T20:39:39Z)
• Data-Driven Causal Effect Estimation Based on Graphical Causal Modelling: A Survey [30.115088044583953]
  グラフィカル因果モデルを用いた因果効果推定におけるデータ駆動手法について検討する。 我々は、データ駆動因果効果推定が直面する課題を特定し、議論する。 このレビューは、より多くの研究者がより良いデータ駆動手法を設計する動機になることを期待しています。
  論文  参考訳（メタデータ） (2022-08-20T03:25:58Z)
• Measuring Causal Effects of Data Statistics on Language Model's `Factual' Predictions [59.284907093349425]
  大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。 トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。 我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
  論文  参考訳（メタデータ） (2022-07-28T17:36:24Z)
• 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)
• Influence Functions in Deep Learning Are Fragile [52.31375893260445]
  影響関数は、テスト時間予測におけるサンプルの効果を近似する。 影響評価は浅いネットワークでは かなり正確です ヘッセン正則化は、高品質な影響推定を得るために重要である。
  論文  参考訳（メタデータ） (2020-06-25T18:25:59Z)

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。