論文の概要: Flow IV: Counterfactual Inference In Nonseparable Outcome Models Using Instrumental Variables

• arxiv url: http://arxiv.org/abs/2508.01321v1
• Date: Sat, 02 Aug 2025 11:24:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:21.820293
• Title: Flow IV: Counterfactual Inference In Nonseparable Outcome Models Using Instrumental Variables
• Title（参考訳）: フローIV:機器変数を用いた非分離出力モデルにおける実測的推論
• Authors: Marc Braun, Jose M. Peña, Adel Daoud,
• Abstract要約: 標準IVの仮定の下では、治療と結果における潜伏雑音が厳密に単調で連立ガウス的であるという仮定とともに、治療と成果の関係は観測データから一意に特定される。 これにより、非分離モデルにおいても反ファクト推論が可能となる。 本手法は,観測結果の精度を最大化するために正規化フローをトレーニングすることにより実現し,基礎となる結果関数の正確な回復を実証する。
• 参考スコア（独自算出の注目度）: 2.3213238782019316
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To reach human level intelligence, learning algorithms need to incorporate causal reasoning. But identifying causality, and particularly counterfactual reasoning, remains an elusive task. In this paper, we make progress on this task by utilizing instrumental variables (IVs). IVs are a classic tool for mitigating bias from unobserved confounders when estimating causal effects. While IV methods have been extended to non-separable structural models at the population level, existing approaches to counterfactual prediction typically assume additive noise in the outcome. In this paper, we show that under standard IV assumptions, along with the assumptions that latent noises in treatment and outcome are strictly monotonic and jointly Gaussian, the treatment-outcome relationship becomes uniquely identifiable from observed data. This enables counterfactual inference even in nonseparable models. We implement our approach by training a normalizing flow to maximize the likelihood of the observed data, demonstrating accurate recovery of the underlying outcome function. We call our method Flow IV.
• Abstract（参考訳）: 人間のレベルの知性に到達するには、学習アルゴリズムは因果推論を取り入れる必要がある。 しかし、因果関係、特に反事実的推論の特定は、いまだ明白な課題である。 本稿では,楽器変数(IVs)を活用することで,この課題を進展させる。 IVは、因果効果を推定する際、観測されていない共同設立者からの偏見を緩和するための古典的なツールである。 IV法は個体群レベルでは非分離構造モデルに拡張されているが、反事実予測への既存のアプローチは一般的に、結果に付加的なノイズを仮定する。 本稿では、標準IV仮定の下では、治療と結果における潜伏雑音が厳密に単調かつ連立ガウス的であるという仮定とともに、治療と成果の関係が観測データから一意に識別可能であることを示す。 これにより、非分離モデルにおいても反ファクト推論が可能となる。 本手法は,観測結果の精度を最大化するために正規化フローをトレーニングすることにより実現し,基礎となる結果関数の正確な回復を実証する。 私たちはFlow IVというメソッドを呼び出します。

関連論文リスト

• Distributional Instrumental Variable Method [4.34680331569334]
  本研究の目的は介入分布全体を推定することである。 非線形IV設定における生成モデルを用いたDIV(Distributedal Instrumental Variable)法を提案する。
  論文  参考訳（メタデータ） (2025-02-11T15:33:06Z)
• Disentangled Representation Learning for Causal Inference with Instruments [31.67220687652054]
  既存のIVに基づく推定器は、システム内に2つ以上のIVが存在するなど、既知のIVまたは他の強い仮定を必要とする。 本稿では,変数がプロキシであるかを知らずに,システム内にIVプロキシが存在すると仮定する緩和要求について考察する。 本稿では,変分オートエンコーダ(VAE)を用いた不整合表現学習手法を提案する。
  論文  参考訳（メタデータ） (2024-12-05T22:18:48Z)
• Regularized DeepIV with Model Selection [72.17508967124081]
  正規化DeepIV(RDIV)回帰は最小ノルムIV解に収束することができる。 我々の手法は現在の最先端の収束率と一致している。
  論文  参考訳（メタデータ） (2024-03-07T05:38:56Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Causal Inference with Conditional Instruments using Deep Generative Models [21.771832598942677]
  標準IVは、処理変数と関係があり、システム内の他のすべての変数とは独立していると期待されている。 変数を変数の集合に条件付けするための条件付きIV(CIV)法が提案されている。 平均因果効果推定のために,CIVの表現とその条件セットを,潜伏した共同設立者とのデータから学習することを提案する。
  論文  参考訳（メタデータ） (2022-11-29T14:31:54Z)
• Confounder Balancing for Instrumental Variable Regression with Latent Variable [29.288045682505615]
  本稿では,未測定の共同設立者からの共謀効果と,IV回帰における観察された共同設立者の不均衡について検討する。 我々は、計測されていない共同設立者からバイアスを取り除き、観察された共同設立者の不均衡を取り除くために、共同設立者バランスIV回帰(CB-IV)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-11-18T03:13:53Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Ancestral Instrument Method for Causal Inference without Complete Knowledge [0.0]
  観測データから因果効果を推定する主な障害は、観測不能な共起である。 条件IVは、観測変数の集合を条件付けすることで標準IVの要求を緩和するために提案されている。 本研究では,祖先IVと観測データを用いた因果効果推定アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-01-11T07:02:16Z)
• 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)
• Instrumental Variable Value Iteration for Causal Offline Reinforcement Learning [107.70165026669308]
  オフライン強化学習(RL)では、事前収集された観測データのみから最適なポリシーが学習される。 遷移力学が加法的非線形汎関数形式を持つようなマルコフ決定過程について検討する。 そこで本稿では,条件付きモーメント制限の原始的2次元再構成に基づく,証明可能なIVVIアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-19T13:01:40Z)
• On Disentangled Representations Learned From Correlated Data [59.41587388303554]
  相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。 本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。 また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-14T12:47:34Z)

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。