論文の概要: CausalKANs: interpretable treatment effect estimation with Kolmogorov-Arnold networks

• arxiv url: http://arxiv.org/abs/2509.22467v1
• Date: Fri, 26 Sep 2025 15:16:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.538987
• Title: CausalKANs: interpretable treatment effect estimation with Kolmogorov-Arnold networks
• Title（参考訳）: CausalKANs:Kolmogorov-Arnoldネットワークによる治療効果の解釈
• Authors: Alejandro Almodóvar, Patricia A. Apellániz, Santiago Zazo, Juan Parras,
• Abstract要約: causalKANsは、条件付き平均治療効果(CATE)の神経推定器をコルモゴロフ-アルノルドネットワーク(KAN)に変換するフレームワークである。 プルーニングと記号の単純化を取り入れることで、コーサルカンは予測精度を保ちながら解釈可能な閉形式式を得る。
• 参考スコア（独自算出の注目度）: 42.852654951995426
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep neural networks achieve state-of-the-art performance in estimating heterogeneous treatment effects, but their opacity limits trust and adoption in sensitive domains such as medicine, economics, and public policy. Building on well-established and high-performing causal neural architectures, we propose causalKANs, a framework that transforms neural estimators of conditional average treatment effects (CATEs) into Kolmogorov--Arnold Networks (KANs). By incorporating pruning and symbolic simplification, causalKANs yields interpretable closed-form formulas while preserving predictive accuracy. Experiments on benchmark datasets demonstrate that causalKANs perform on par with neural baselines in CATE error metrics, and that even simple KAN variants achieve competitive performance, offering a favorable accuracy--interpretability trade-off. By combining reliability with analytic accessibility, causalKANs provide auditable estimators supported by closed-form expressions and interpretable plots, enabling trustworthy individualized decision-making in high-stakes settings. We release the code for reproducibility at https://github.com/aalmodovares/causalkans .
• Abstract（参考訳）: ディープニューラルネットワークは、異種治療効果を推定する上で最先端のパフォーマンスを達成するが、その不透明性は、医学、経済学、公共政策などの機密分野における信頼と採用を制限する。 確立された高性能な因果神経アーキテクチャを基盤として,条件付き平均治療効果(CATE)の神経推定をコルモゴロフ・アルノルドネットワーク(KAN)に変換するフレームワークであるCorsalKANを提案する。 プルーニングと記号の単純化を取り入れることで、コーサルカンは予測精度を保ちながら解釈可能な閉形式式を得る。 ベンチマークデータセットの実験では、CorsalKANはCATEエラーメトリクスの神経ベースラインと同等に動作し、単純なKankanの変種でさえ競争的なパフォーマンスを実現し、良好な精度と解釈可能性のトレードオフを提供することを示した。 信頼性と分析アクセシビリティを組み合わせることで、CorsalKANは、クローズドフォーム表現と解釈可能なプロットがサポートする監査可能な推定器を提供する。 再現性のためのコードはhttps://github.com/aalmodovares/causalkansで公開しています。

関連論文リスト

• NIRVANA: Structured pruning reimagined for large language models compression [50.651730342011014]
  直近のゼロショット保存精度と頑健な微調整のバランスをとるために, NIRVANAを導入した。 構造化プルーニングによって引き起こされる固有の課題にさらに対処するため、NIRVANAは層やモジュール間の適応的な空間割当機構を取り入れている。 Llama3, Qwen, T5モデルで行った実験では、NIRVANAは等価な空間制約の下で既存の構造化プルーニング法よりも優れていた。
  論文  参考訳（メタデータ） (2025-09-17T17:59:00Z)
• Kolmogorov Arnold Networks (KANs) for Imbalanced Data -- An Empirical Perspective [0.0]
  Kolmogorov Arnold Networks (KAN) は、標準的なニューラルネットワークに代わる数学的基盤を提供するニューラルネットワークのアーキテクチャ上の進歩である。 本研究では,10個のベンチマークデータセットを用いて,クラス不均衡な分類の文脈におけるkansの実証評価を行った。
  論文  参考訳（メタデータ） (2025-07-18T17:50:51Z)
• A Simple Approximate Bayesian Inference Neural Surrogate for Stochastic Petri Net Models [0.0]
  後部分布フレームワークのニューラルネットワークに基づく近似を導入する。 我々のモデルは、Gilespie-simulated SPN realizations上で訓練された1D Convolutional Residual Networkを使用する。 20%の欠落事象を持つ合成SPNでは, RMSE = 0.108で速度関数係数を回復し, 従来のベイズ手法よりもかなり高速に動作する。
  論文  参考訳（メタデータ） (2025-07-14T18:31:19Z)
• A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)
• PostHoc FREE Calibrating on Kolmogorov Arnold Networks [16.957071012748454]
  コルモゴロフ・アーノルドネットワーク(コルモゴロフ・アーノルドネットワーク、KAN)は、コルモゴロフ・アーノルドの表現定理に触発されたニューラルネットワークである。 Kansは、標準MultiLayer Perceptrons(MLPs)によってモデル化されたもの以外の複雑な非線形性を捉えることができる カンは、密集したデータ領域における過信と疎開な領域における過信と示す誤判定された信頼度をしばしば示す。
  論文  参考訳（メタデータ） (2025-03-03T05:42:49Z)
• Smooth Kolmogorov Arnold networks enabling structural knowledge representation [0.0]
  Kolmogorov-Arnold Networks (KAN) は、従来のマルチ層パーセプトロン(MLP)アーキテクチャに代わる、効率的かつ解釈可能な代替手段を提供する。 固有の構造的知識を活用することで、カンは訓練に必要なデータを減らすことができ、幻覚的予測を発生させるリスクを軽減することができる。
  論文  参考訳（メタデータ） (2024-05-18T15:27:14Z)
• Can pruning improve certified robustness of neural networks? [106.03070538582222]
  ニューラルネット・プルーニングはディープ・ニューラル・ネットワーク(NN)の実証的ロバスト性を向上させることができることを示す。 実験の結果,NNを適切に刈り取ることで,その精度を8.2%まで向上させることができることがわかった。 さらに,認証された宝くじの存在が,従来の密集モデルの標準および認証された堅牢な精度に一致することを観察する。
  論文  参考訳（メタデータ） (2022-06-15T05:48:51Z)
• 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)

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。