論文の概要: Debiased Front-Door Learners for Heterogeneous Effects

• arxiv url: http://arxiv.org/abs/2509.22531v1
• Date: Fri, 26 Sep 2025 16:11:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.574782
• Title: Debiased Front-Door Learners for Heterogeneous Effects
• Title（参考訳）: 不均一効果のためのデバイアスドフロントドア学習者
• Authors: Yonghan Jung,
• Abstract要約: フロントドア(FD)識別下での不均一処理効果(HTE)について検討した。 本稿では,FD-DR-LearnerとFD-R-Learnerの2つのデバイアスド学習者を紹介する。 本研究は, 合成研究における堅牢な経験的性能と, シートベルト法則の実例を実証する。
• 参考スコア（独自算出の注目度）: 12.13022422078211
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In observational settings where treatment and outcome share unmeasured confounders but an observed mediator remains unconfounded, the front-door (FD) adjustment identifies causal effects through the mediator. We study the heterogeneous treatment effect (HTE) under FD identification and introduce two debiased learners: FD-DR-Learner and FD-R-Learner. Both attain fast, quasi-oracle rates (i.e., performance comparable to an oracle that knows the nuisances) even when nuisance functions converge as slowly as n^-1/4. We provide error analyses establishing debiasedness and demonstrate robust empirical performance in synthetic studies and a real-world case study of primary seat-belt laws using Fatality Analysis Reporting System (FARS) dataset. Together, these results indicate that the proposed learners deliver reliable and sample-efficient HTE estimates in FD scenarios. The implementation is available at https://github.com/yonghanjung/FD-CATE. Keywords: Front-door adjustment; Heterogeneous treatment effects; Debiased learning; Quasi-oracle rates; Causal inference.
• Abstract（参考訳）: 治療と結果が測定されていない共同創設者と観察されるメディエーターを分けない観察環境において、フロントドア(FD)調整は、メディエーターを介して因果効果を識別する。 FD識別下での不均一処理効果(HTE)について検討し,FD-DR-LearnerとFD-R-Learnerの2つの偏りのある学習者を紹介した。 どちらも、ニュアンス関数が n^-1/4 のようにゆっくり収束しても、高速で準オラクルレート(すなわち、ニュアンス関数を知っているオラクルに匹敵するパフォーマンス)を達成する。 本稿では, 偏りを確定する誤り解析を行い, 合成研究における堅牢な経験的性能を示すとともに, FARSデータセットを用いたシートベルト法則の実例について述べる。 これらの結果から,提案した学習者は,FDシナリオにおいて信頼性とサンプル効率のよいHTE推定を行うことができた。 実装はhttps://github.com/yonghanjung/FD-CATEで公開されている。 キーワード:フロントドア調整、不均一な治療効果、デバイアスドラーニング、準オーラルレート、因果推論。

関連論文リスト

• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• A Thorough Assessment of the Non-IID Data Impact in Federated Learning [1.89791888476598]
  分散機械学習(FL)は、分散クライアントの情報間のコラボレーティブ機械学習(ML)トレーニングを可能にし、データのプライバシを保証する。 FLの分散特性は、非独立で同一に分散された(非IID)データを扱う。 その重要性にもかかわらず、あらゆる種類のデータ不均一性(すなわち非IIDness)に体系的に対処する実験的研究はほとんど残っていない。 非IID効果の評価と定量化を徹底的な実証分析によって行うことで,このギャップを埋めることを目指している。
  論文  参考訳（メタデータ） (2025-03-21T11:53:36Z)
• Perplexity Trap: PLM-Based Retrievers Overrate Low Perplexity Documents [64.43980129731587]
  因果診断・矯正法(CDC)という因果推論時間脱バイアス法を提案する。 CDCはまず、パープレキシティのバイアス効果を診断し、その後、全体の関連スコアからバイアス効果を分離する。 3つの領域にまたがる実験結果から, より優れた脱バイアス効果が示された。
  論文  参考訳（メタデータ） (2025-03-11T17:59:00Z)
• A Partial Initialization Strategy to Mitigate the Overfitting Problem in CATE Estimation with Hidden Confounding [44.874826691991565]
  観察データから条件平均治療効果(CATE)を推定することは、電子商取引、医療、経済などの分野において重要な役割を果たす。 既存の研究は主に、隠れた共同設立者がいないという強い無知の仮定に依存している。 ランダム化制御試験 (RCT) から収集されたデータは、共起に苦しむことはないが、通常は小さなサンプルサイズによって制限される。
  論文  参考訳（メタデータ） (2025-01-15T15:58:16Z)
• Anytime-Valid Inference for Double/Debiased Machine Learning of Causal Parameters [27.333679232669823]
  ダブル(デバイアス)機械学習(DML)は近年、因果的/構造的パラメータの学習に広く利用されている。 古典的な二重バイアスフレームワークは、所定のサンプルサイズに対してのみ有効である。 これは、巨額の財政コストや人命に関わる大規模な実験研究において特に懸念される。
  論文  参考訳（メタデータ） (2024-08-18T21:19:56Z)
• Causal Effect Estimation with Variational AutoEncoder and the Front Door Criterion [23.20371860838245]
  フロントドア基準は、データからフロントドア調整に使用される変数の集合を特定することがしばしば困難である。 表現学習における深層生成モデルの能力を活用して、変分オートエンコーダを用いたフロントドア調整セットの表現を学習するためのFDVAEを提案する。
  論文  参考訳（メタデータ） (2023-04-24T10:04:28Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• Causal Effect Estimation using Variational Information Bottleneck [19.6760527269791]
  因果推論とは、介入が適用されるときの因果関係における因果効果を推定することである。 変分情報ボトルネック(CEVIB)を用いて因果効果を推定する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T13:46:12Z)

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。