論文の概要: Improving Generative Methods for Causal Evaluation via Simulation-Based Inference

• arxiv url: http://arxiv.org/abs/2509.02892v1
• Date: Tue, 02 Sep 2025 23:35:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.36214
• Title: Improving Generative Methods for Causal Evaluation via Simulation-Based Inference
• Title（参考訳）: シミュレーションに基づく推論による因果評価のための生成法の改善
• Authors: Pracheta Amaranath, Vinitra Muralikrishnan, Amit Sharma, David D. Jensen,
• Abstract要約: 既存の生成法は、観測データ(ソースデータ)に固定された合成データセットを生成する 本稿では、生成パラメータを不確実性としてモデル化し、ソース・データセットから後部分布を推定するフレームワークである、因果評価のためのシミュレーションベース推論(SBICE)を紹介する。 SBICEは、より現実的なデータセットを生成し、不確実性の下で因果ベンチマークに対する堅牢でデータ一貫性のあるアプローチをサポートすることにより、推定器評価の信頼性を向上させる。
• 参考スコア（独自算出の注目度）: 9.22158780078584
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Generating synthetic datasets that accurately reflect real-world observational data is critical for evaluating causal estimators, but remains a challenging task. Existing generative methods offer a solution by producing synthetic datasets anchored in the observed data (source data) while allowing variation in key parameters such as the treatment effect and amount of confounding bias. However, existing methods typically require users to provide point estimates of such parameters (rather than distributions) and fixed estimates (rather than estimates that can be improved with reference to the source data). This denies users the ability to express uncertainty over parameter values and removes the potential for posterior inference, potentially leading to unreliable estimator comparisons. We introduce simulation-based inference for causal evaluation (SBICE), a framework that models generative parameters as uncertain and infers their posterior distribution given a source dataset. Leveraging techniques in simulation-based inference, SBICE identifies parameter configurations that produce synthetic datasets closely aligned with the source data distribution. Empirical results demonstrate that SBICE improves the reliability of estimator evaluations by generating more realistic datasets, which supports a robust and data-consistent approach to causal benchmarking under uncertainty.
• Abstract（参考訳）: 実世界の観測データを正確に反映した合成データセットの生成は、因果推定器を評価する上で重要であるが、依然として困難な課題である。 既存の生成方法は、観測データ(ソースデータ)に固定された合成データセットを生成し、処理効果や境界バイアスの量などの重要なパラメータを変動させることによって、ソリューションを提供する。 しかし、既存の手法では、通常、ユーザーはそのようなパラメータ(分布ではなく)と固定された見積もり(ソースデータを参照して改善できる見積もりではなく)の点推定を提供する必要がある。 これは、パラメータ値に対する不確実性を表現する能力を否定し、後部推論の可能性を取り除き、信頼性の低い推定器の比較につながる可能性がある。 本稿では、生成パラメータを不確実性としてモデル化し、ソース・データセットから後部分布を推定するフレームワークである、因果評価のためのシミュレーションベース推論(SBICE)を紹介する。 SBICEはシミュレーションベースの推論の手法を活用し、ソースデータ分布と密接に整合した合成データセットを生成するパラメータ構成を識別する。 実験の結果、SBICEはより現実的なデータセットを生成し、不確実性の下で因果ベンチマークを行うための堅牢でデータ一貫性のあるアプローチをサポートすることにより、推定器評価の信頼性を向上させることが示された。

関連論文リスト

• Using Imperfect Synthetic Data in Downstream Inference Tasks [50.40949503799331]
  モーメントの一般化法に基づく新しい推定器を提案する。 合成データのモーメント残差と実データのモーメント間の相互作用は、対象パラメータの推定を改善することができる。
  論文  参考訳（メタデータ） (2025-08-08T18:32:52Z)
• Assumption-Lean Post-Integrated Inference with Negative Control Outcomes [0.0]
  負の制御結果を用いて遅延不均一性を調整する頑健なポストインテグレート推論(PII)手法を提案する。 提案手法は,予測された直接効果推定値,隠された仲介者,共同設立者,モデレーターまで拡張する。 提案された二重頑健な推定器は、最小の仮定と潜在的な不特定性の下で一貫性があり、効率的である。
  論文  参考訳（メタデータ） (2024-10-07T12:52:38Z)
• Source-Free Domain-Invariant Performance Prediction [68.39031800809553]
  本研究では,不確実性に基づく推定を主軸としたソースフリー手法を提案する。 オブジェクト認識データセットのベンチマーク実験により、既存のソースベースの手法は、限られたソースサンプルの可用性で不足していることが判明した。 提案手法は,現在の最先端のソースフリーおよびソースベース手法よりも優れており,ドメイン不変性能推定の有効性が確認されている。
  論文  参考訳（メタデータ） (2024-08-05T03:18:58Z)
• Estimation of conditional average treatment effects on distributed confidential data [6.798254568821052]
  複数のパーティに分散したデータが集中している場合、条件平均処理効果(CATE)を高精度に推定することができる。 機密性やプライバシー上の懸念から、このようなデータを集約することは困難である。 本稿では、分散ソースから構築されたプライバシー保護融合データを用いて、CATEモデルを推定するデータコラボレーションダブル機械学習を提案する。
  論文  参考訳（メタデータ） (2024-02-05T02:17:21Z)
• Doing Great at Estimating CATE? On the Neglected Assumptions in Benchmark Comparisons of Treatment Effect Estimators [91.3755431537592]
  もっとも単純な設定であっても、無知性仮定に基づく推定は誤解を招く可能性があることを示す。 異種処理効果評価のための機械学習ベンチマークデータセットを2つ検討した。 ベンチマークデータセットの固有の特性が、他のものよりもいくつかのアルゴリズムを好んでいる点を強調します。
  論文  参考訳（メタデータ） (2021-07-28T13:21:27Z)
• Distributionally Robust Local Non-parametric Conditional Estimation [22.423052432220235]
  非パラメトリックな局所推定を生成する分布安定な新しい推定器を提案する。 一般には難解であるにもかかわらず、局所推定器は凸最適化によって効率的に見つけることができることを示す。 合成およびMNISTデータセットを用いた実験は、この新しいクラスの推定器の競合性能を示している。
  論文  参考訳（メタデータ） (2020-10-12T00:11:17Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Decomposed Adversarial Learned Inference [118.27187231452852]
  我々は,DALI(Decomposed Adversarial Learned Inference)という新しいアプローチを提案する。 DALIは、データ空間とコード空間の両方の事前および条件分布を明示的に一致させる。 MNIST, CIFAR-10, CelebAデータセットにおけるDALIの有効性を検証する。
  論文  参考訳（メタデータ） (2020-04-21T20:00:35Z)

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。