論文の概要: Transformer-Based Spatial-Temporal Counterfactual Outcomes Estimation

• arxiv url: http://arxiv.org/abs/2506.21154v1
• Date: Thu, 26 Jun 2025 11:24:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:10.060165
• Title: Transformer-Based Spatial-Temporal Counterfactual Outcomes Estimation
• Title（参考訳）: 変圧器を用いた時空間実測結果の推定
• Authors: He Li, Haoang Chi, Mingyu Liu, Wanrong Huang, Liyang Xu, Wenjing Yang,
• Abstract要約: 本稿では,Transformer を用いた時空間属性による対実結果推定のための新しいフレームワークを提案する。 提案手法の有効性を検証するため,シミュレーション実験と実データ実験を行った。 実際のデータ実験は、コロンビアの森林損失に対する紛争の因果関係に対する貴重な結論を与える。
• 参考スコア（独自算出の注目度）: 17.685973892898502
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The real world naturally has dimensions of time and space. Therefore, estimating the counterfactual outcomes with spatial-temporal attributes is a crucial problem. However, previous methods are based on classical statistical models, which still have limitations in performance and generalization. This paper proposes a novel framework for estimating counterfactual outcomes with spatial-temporal attributes using the Transformer, exhibiting stronger estimation ability. Under mild assumptions, the proposed estimator within this framework is consistent and asymptotically normal. To validate the effectiveness of our approach, we conduct simulation experiments and real data experiments. Simulation experiments show that our estimator has a stronger estimation capability than baseline methods. Real data experiments provide a valuable conclusion to the causal effect of conflicts on forest loss in Colombia. The source code is available at https://github.com/lihe-maxsize/DeppSTCI_Release_Version-master.
• Abstract（参考訳）: 現実世界には自然に時間と空間の次元がある。 したがって, 時空間特性による実測結果の推定は重要な問題である。 しかし、従来の手法は、まだ性能と一般化の限界がある古典的な統計モデルに基づいている。 本稿では,Transformer を用いた時空間属性による逆実測結果の予測手法を提案し,より強力な推定能力を示す。 軽微な仮定の下では、このフレームワーク内の提案された推定子は一貫性があり、漸近的に正規である。 提案手法の有効性を検証するため,シミュレーション実験と実データ実験を行った。 シミュレーション実験により,推定器はベースライン法よりも強い推定能力を有することが示された。 実際のデータ実験は、コロンビアの森林損失に対する紛争の因果関係に対する貴重な結論を与える。 ソースコードはhttps://github.com/lihe-maxsize/DeppSTCI_Release_Version-masterで公開されている。

関連論文リスト

• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Causal Lifting of Neural Representations: Zero-Shot Generalization for Causal Inferences [56.23412698865433]
  予測型因果推論(PPCI)に焦点をあてる PPCIは、未ラベルの事実結果を用いた対象実験における治療効果を推定し、事前訓練されたモデルからゼロショットを取得する。 バニラ実験的リスク最小化によって解決不可能なインスタンスに対するソリューションを提供するため,本手法を合成および実世界の科学的データに対して検証する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• Efficient Randomized Experiments Using Foundation Models [10.606998433337894]
  本稿では,複数の基礎モデルからの予測を,統計的に妥当な推測を保ちながら統合する手法を提案する。 我々の推定器は、実験データのみに基づく標準推定器と同じ精度のサンプルサイズを最大20%削減する、かなり精度の高いゲインを提供する。
  論文  参考訳（メタデータ） (2025-02-06T17:54:10Z)
• Non-parametric efficient estimation of marginal structural models with multi-valued time-varying treatments [0.9558392439655012]
  半パラメトリック効率理論の最近の発展とともに機械学習を用いて縦断的研究を行い,そのような推定器を提案する。 提案手法は, 各時点において, 結果と治療機構が一貫した推定値である場合, 連続的に2倍強固であることを示す。
  論文  参考訳（メタデータ） (2024-09-27T14:29:12Z)
• Benchmarking Estimators for Natural Experiments: A Novel Dataset and a Doubly Robust Algorithm [12.201705893125775]
  幼少期のリテラシー非営利団体から得られた,新たな自然実験データセットについて紹介する。 データセットに20以上の確立された推定値を適用すると、非営利団体の有効性を評価するための一貫性のない結果が得られる。 合成結果を用いて推定器の精度を評価するベンチマークを作成する。
  論文  参考訳（メタデータ） (2024-09-06T15:44:45Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• Truncated Marginal Neural Ratio Estimation [5.438798591410838]
  本稿では、シミュレーション効率と高速な実験後テスト容易性を同時に提供するニューラルネットワークシミュレータベースの推論アルゴリズムを提案する。 本手法は関節後部ではなく低次元縁後部を同時に推定することによりシミュレーションを効率化する。 局所的アモータイズ後部を推定することにより,提案アルゴリズムは推論結果のロバスト性の効率的な実証試験を可能にする。
  論文  参考訳（メタデータ） (2021-07-02T18:00:03Z)
• Showing Your Work Doesn't Always Work [73.63200097493576]
  『Show Your Work: Improved Reporting of Experimental Results』では、最高の学習モデルの有効性を報告している。 解析的にそれらの推定器は偏りがあり、エラーを起こしやすい仮定を用いていることを示す。 我々は、偏見のない代替案を導き、統計的シミュレーションから経験的な証拠で主張を裏付ける。
  論文  参考訳（メタデータ） (2020-04-28T17:59:01Z)

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。