論文の概要: DoubleGen: Debiased Generative Modeling of Counterfactuals

• arxiv url: http://arxiv.org/abs/2509.16842v1
• Date: Sat, 20 Sep 2025 23:42:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.002535
• Title: DoubleGen: Debiased Generative Modeling of Counterfactuals
• Title（参考訳）: DoubleGen: カウンターファクトのデバイアスド生成モデリング
• Authors: Alex Luedtke, Kenji Fukumizu,
• Abstract要約: 矛盾するバイアスは、アプローチが介入を受けた人と、そうでない人との体系的な違いを説明できないときに生じます。 ミスセグメンテーションバイアスは、補助モデルの推定を通じてコンファウンディングに対処しようとするメソッドが、誤ってそれを特定しようとするときに発生する。 この2つのフレームワークは、これらのバイアスを軽減するために、生成モデリングトレーニングの目標を変更する。
• 参考スコア（独自算出の注目度）: 16.17990122161816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models for counterfactual outcomes face two key sources of bias. Confounding bias arises when approaches fail to account for systematic differences between those who receive the intervention and those who do not. Misspecification bias arises when methods attempt to address confounding through estimation of an auxiliary model, but specify it incorrectly. We introduce DoubleGen, a doubly robust framework that modifies generative modeling training objectives to mitigate these biases. The new objectives rely on two auxiliaries -- a propensity and outcome model -- and successfully address confounding bias even if only one of them is correct. We provide finite-sample guarantees for this robustness property. We further establish conditions under which DoubleGen achieves oracle optimality -- matching the convergence rates standard approaches would enjoy if interventional data were available -- and minimax rate optimality. We illustrate DoubleGen with three examples: diffusion models, flow matching, and autoregressive language models.
• Abstract（参考訳）: 対実結果の生成モデルは2つの重要なバイアス源に直面する。 矛盾するバイアスは、アプローチが介入を受けた人と、そうでない人との体系的な違いを説明できないときに生じます。 ミスセグメンテーションバイアスは、補助モデルの推定を通じてコンファウンディングに対処しようとするメソッドが、誤ってそれを特定しようとするときに発生する。 この2つのフレームワークは、これらのバイアスを軽減するために、生成モデリングトレーニングの目標を変更する。 新しい目的は2つの補助的 -- 妥当性と結果モデル -- に依存しており、たとえどちらか一方が正しいとしても、矛盾するバイアスに対処することに成功した。 このロバスト性に対する有限サンプル保証を提供する。 さらに、DoubleGenがオラクルの最適性を達成 -- 介入データが利用可能であればコンバージェンスレート標準のアプローチが楽しめます -- とミニマックスレートの最適性を達成できる条件を確立します。 拡散モデル、フローマッチング、自動回帰言語モデルという3つの例をDoubleGenで説明します。

関連論文リスト

• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• Improving Group Robustness on Spurious Correlation via Evidential Alignment [26.544938760265136]
  ディープニューラルネットワークは、しばしば急激な相関、すなわち非因果的特徴と標的の間の表面的関連を学習し、依存する。 既存のメソッドは通常、外部のグループアノテーションや補助的な決定論的モデルを使用することでこの問題を軽減する。 偏りのあるモデルの振る舞いを理解するために不確実性定量化を利用する新しいフレームワークであるエビデンシャルアライメントを提案する。
  論文  参考訳（メタデータ） (2025-06-12T22:47:21Z)
• InterHandGen: Two-Hand Interaction Generation via Cascaded Reverse Diffusion [53.90516061351706]
  両手インタラクションに先立って生成を学習する新しいフレームワークであるInterHandGenを提案する。 サンプリングにアンチペネティフィケーションと合成フリーガイダンスを組み合わせることで、プラウシブルな生成を可能にする。 本手法は, 妥当性と多様性の観点から, ベースライン生成モデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2024-03-26T06:35:55Z)
• Improving Bias Mitigation through Bias Experts in Natural Language Understanding [10.363406065066538]
  補助モデルと主モデルの間に二項分類器を導入するデバイアス化フレームワークを提案する。 提案手法は補助モデルのバイアス識別能力を向上させる。
  論文  参考訳（メタデータ） (2023-12-06T16:15:00Z)
• Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution [67.9215891673174]
  離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。 標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
  論文  参考訳（メタデータ） (2023-10-25T17:59:12Z)
• Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
  同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。 また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。 様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
  論文  参考訳（メタデータ） (2023-02-22T14:50:24Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)

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。