論文の概要: Latent Variable Modeling for Robust Causal Effect Estimation

• arxiv url: http://arxiv.org/abs/2508.20259v1
• Date: Wed, 27 Aug 2025 20:31:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:01.815017
• Title: Latent Variable Modeling for Robust Causal Effect Estimation
• Title（参考訳）: ロバスト因果効果推定のための潜時変動モデル
• Authors: Tetsuro Morimura, Tatsushi Oka, Yugo Suzuki, Daisuke Moriwaki,
• Abstract要約: 本稿では、潜在変数モデリングをダブル機械学習パラダイムに統合する新しいフレームワークを提案する。 合成および実世界の両方のデータセットに関する広範な実験を通じて,本手法の堅牢性と有効性を示す。
• 参考スコア（独自算出の注目度）: 10.245287265072927
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Latent variable models provide a powerful framework for incorporating and inferring unobserved factors in observational data. In causal inference, they help account for hidden factors influencing treatment or outcome, thereby addressing challenges posed by missing or unmeasured covariates. This paper proposes a new framework that integrates latent variable modeling into the double machine learning (DML) paradigm to enable robust causal effect estimation in the presence of such hidden factors. We consider two scenarios: one where a latent variable affects only the outcome, and another where it may influence both treatment and outcome. To ensure tractability, we incorporate latent variables only in the second stage of DML, separating representation learning from latent inference. We demonstrate the robustness and effectiveness of our method through extensive experiments on both synthetic and real-world datasets.
• Abstract（参考訳）: 潜在変数モデルは観測データに観測されていない因子を取り入れ、推論するための強力なフレームワークを提供する。 因果推論において、それらは治療や結果に影響を与える隠れた要因を考慮し、その結果、欠落または未測定の共変量による課題に対処するのに役立つ。 本稿では、潜在変数モデリングをDouble Machine Learning(DML)パラダイムに統合し、そのような隠蔽要因の存在下で堅牢な因果効果推定を可能にする新しいフレームワークを提案する。 1つは潜伏変数が結果にのみ影響を及ぼすシナリオであり、もう1つは治療と結果の両方に影響を及ぼすシナリオである。 トラクタビリティを確保するため,DMLの第2段階でのみ潜時変数を組み込んで,潜時推論から表現学習を分離する。 合成および実世界の両方のデータセットに関する広範な実験を通じて,本手法の堅牢性と有効性を示す。

関連論文リスト

• Causal Inference from Text: Unveiling Interactions between Variables [20.677407402398405]
  既存の方法は、治療と結果の両方に影響を及ぼす共変量しか説明できない。 このバイアスは、衝突しない共変量について十分に考慮されていないことから生じる。 本研究では,変数間の相互作用を明らかにすることにより,バイアスを軽減することを目的とする。
  論文  参考訳（メタデータ） (2023-11-09T11:29:44Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Identifiability Guarantees for Causal Disentanglement from Soft Interventions [26.435199501882806]
  因果解離は因果モデルを通して相互に関係する潜伏変数を用いてデータの表現を明らかにすることを目的としている。 本稿では,各介入が潜伏変数のメカニズムを変えることにより,未ペアの観測データと介入データが利用可能となるシナリオに焦点を当てる。 因果変数が完全に観測されると、忠実性の仮定の下で因果モデルを特定するために統計的に一貫したアルゴリズムが開発された。
  論文  参考訳（メタデータ） (2023-07-12T15:39:39Z)
• 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)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)

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。