論文の概要: GDR-learners: Orthogonal Learning of Generative Models for Potential Outcomes

• arxiv url: http://arxiv.org/abs/2509.22953v1
• Date: Fri, 26 Sep 2025 21:35:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:18.951448
• Title: GDR-learners: Orthogonal Learning of Generative Models for Potential Outcomes
• Title（参考訳）: GDR学習者:潜在的成果のための生成モデルの直交学習
• Authors: Valentyn Melnychuk, Stefan Feuerriegel,
• Abstract要約: 本稿では,潜在的結果の条件分布を推定する生成的Neyman-orthogonal Learningersの一般スイートを紹介する。 提案したGDR-learnerは柔軟で,多くの最先端の深層生成モデルでインスタンス化することができる。 従来の手法とは異なり、GDR学習者は準器効率と二重頑健性の性質を持っている。
• 参考スコア（独自算出の注目度）: 50.228749840286895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Various deep generative models have been proposed to estimate potential outcomes distributions from observational data. However, none of them have the favorable theoretical property of general Neyman-orthogonality and, associated with it, quasi-oracle efficiency and double robustness. In this paper, we introduce a general suite of generative Neyman-orthogonal (doubly-robust) learners that estimate the conditional distributions of potential outcomes. Our proposed GDR-learners are flexible and can be instantiated with many state-of-the-art deep generative models. In particular, we develop GDR-learners based on (a) conditional normalizing flows (which we call GDR-CNFs), (b) conditional generative adversarial networks (GDR-CGANs), (c) conditional variational autoencoders (GDR-CVAEs), and (d) conditional diffusion models (GDR-CDMs). Unlike the existing methods, our GDR-learners possess the properties of quasi-oracle efficiency and rate double robustness, and are thus asymptotically optimal. In a series of (semi-)synthetic experiments, we demonstrate that our GDR-learners are very effective and outperform the existing methods in estimating the conditional distributions of potential outcomes.
• Abstract（参考訳）: 観測データから潜在的な結果分布を推定する様々な深部生成モデルが提案されている。 しかし、それらのどれも一般のナイマン直交性の好ましい理論的性質を持っておらず、それに付随して準オラクル効率と二重ロバスト性がある。 本稿では,有意な結果の条件分布を推定する生成的Neyman-orthogonal学習者について概説する。 提案したGDR-learnerは柔軟で,多くの最先端の深層生成モデルでインスタンス化することができる。 特にGDRラーナーの開発について述べる。 (a)条件正規化フロー(GDR-CNFs) b)条件付き生成敵ネットワーク(GDR-CGAN) (c)条件変分オートエンコーダ(GDR-CVAE)及び (d)条件拡散モデル(GDR-CDM) 従来の手法とは異なり、GDRラーナーは準オーラル効率と速度二重堅牢性の性質を有しており、漸近的に最適である。 一連の半合成実験において、GDR学習者は、潜在的成果の条件分布を推定する上で、既存の手法よりも優れていることを示す。

関連論文リスト

• Does Generative Retrieval Overcome the Limitations of Dense Retrieval? [117.49076770892583]
  生成的検索(GR)はニューラル情報検索の新しいパラダイムとして登場した。 本研究では,GRが高密度検索(DR)から学習目的と表現能力の両方において根本的に分岐するかを検討する。
  論文  参考訳（メタデータ） (2025-09-26T09:38:01Z)
• Brain-like variational inference [0.0]
  脳と機械の両方での推論は、機械学習におけるエビデンスローバウンド(ELBO)の最大化や、神経科学における変動自由エネルギー(F)の最小化によって定式化することができる(ELBO = -F)。 ここでは、ポアソン仮定の下で、F上のオンラインの自然勾配降下が、膜電位ダイナミクスを介して変動推論を行う繰り返しスパイクニューラルネットワークをもたらすことを示す。 得られたモデル、つまり反復的なポアソン変分オートエンコーダ(iP-VAE)は、エンコーダネットワークをF上の自然な勾配勾配から派生した局所的な更新に置き換える。
  論文  参考訳（メタデータ） (2024-10-25T06:00:18Z)
• A Non-negative VAE:the Generalized Gamma Belief Network [49.970917207211556]
  ガンマ信念ネットワーク(GBN)は、テキストデータ中の多層解釈可能な潜在表現を明らかにする可能性を実証している。 本稿では、一般化ガンマ信念ネットワーク(Generalized GBN)を導入し、元の線形生成モデルをより表現力のある非線形生成モデルに拡張する。 また、潜伏変数の後方分布を近似する上向きのワイブル推論ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-08-06T18:18:37Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)
• Continual Learning with Fully Probabilistic Models [70.3497683558609]
  機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。 生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。 我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:26:26Z)
• Analytical Probability Distributions and EM-Learning for Deep Generative Networks [29.319553019103868]
  出力と潜伏空間の確率的モデリングを備えたDeep Generative Networks (DGNs) は現在、変分オートエンコーダ (VAEs) を用いて訓練されている。 後部および予想予測のための既知の分析形式がないため、VAEは(AVI)変分推論(英語版)やモンテカルロサンプリング(英語版)などの近似に頼っている。 我々は, 現代DGNの連続ピアースワイドアフィン(CPA)特性を利用して, 後縁分布と辺縁分布を導出する。 我々は,DGNsのEMトレーニングがVAEトレーニングよりも高い可能性をもたらすことを実証的に実証した。
  論文  参考訳（メタデータ） (2020-06-17T17:35:06Z)

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。