論文の概要: Coupling Generative Modeling and an Autoencoder with the Causal Bridge
- arxiv url: http://arxiv.org/abs/2509.25599v1
- Date: Mon, 29 Sep 2025 23:46:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-01 17:09:04.36782
- Title: Coupling Generative Modeling and an Autoencoder with the Causal Bridge
- Title（参考訳）: コーサルブリッジを用いた生成モデルとオートエンコーダの結合
- Authors: Ruolin Meng, Ming-Yu Chung, Dhanajit Brahma, Ricardo Henao, Lawrence Carin,
- Abstract要約: 我々は、治療(介入)の因果効果が、治療と結果の両方に影響を与える潜在的に観察されていない共同設立者がいる状況における関心の結果に与える影響を推測する。
これは、治療と結果に関連する2つの異なる制御(プロキシ)のセットへのアクセスを仮定することで達成できる。
本稿では,CBによる治療効果を推定可能な場合の関連する仮定と,CBの仮定に違反した場合の処理効果の平均誤差について述べる。
- 参考スコア（独自算出の注目度）: 23.911253150675112
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider inferring the causal effect of a treatment (intervention) on an outcome of interest in situations where there is potentially an unobserved confounder influencing both the treatment and the outcome. This is achievable by assuming access to two separate sets of control (proxy) measurements associated with treatment and outcomes, which are used to estimate treatment effects through a function termed the em causal bridge (CB). We present a new theoretical perspective, associated assumptions for when estimating treatment effects with the CB is feasible, and a bound on the average error of the treatment effect when the CB assumptions are violated. From this new perspective, we then demonstrate how coupling the CB with an autoencoder architecture allows for the sharing of statistical strength between observed quantities (proxies, treatment, and outcomes), thus improving the quality of the CB estimates. Experiments on synthetic and real-world data demonstrate the effectiveness of the proposed approach in relation to the state-of-the-art methodology for proxy measurements.
- Abstract（参考訳）: 我々は、治療(介入)の因果効果が、治療と結果の両方に影響を与える潜在的に観察されていない共同設立者がいる状況における関心の結果に与える影響を推測する。
これは、治療と結果に関連する2つの異なる制御(プロキシ)の測定セットへのアクセスを仮定することで達成できる。
本稿では,CBによる治療効果を推定可能な場合の関連する仮定と,CBの仮定に違反した場合の処理効果の平均誤差について述べる。
この新たな観点から、CBとオートエンコーダアーキテクチャを結合することにより、観測された量(プロキシ、治療、結果)間の統計的強度の共有が可能になり、CB推定の品質が向上することを示す。
合成および実世界のデータに関する実験は、プロキシ測定の最先端手法に関連して提案手法の有効性を実証している。
関連論文リスト
- Estimating Dyadic Treatment Effects with Unknown Confounders [0.0]
ダイアディックデータを用いた治療効果を統計的に評価する手法を提案する。
処理が交換可能な分布に従うという仮定の下では、我々の手法は観測不能な共起因子の存在を許容する。
本手法を国際貿易データに適用し、自由貿易協定が二国間貿易フローに与える影響を評価する。
論文 参考訳（メタデータ） (2024-05-26T12:32:14Z) - Adversarially Balanced Representation for Continuous Treatment Effect
Estimation [6.469020202994118]
本稿では,この処理が連続変数である,より実践的で困難なシナリオについて考察する。
本稿では,KL分散の表現の不均衡を対角的に最小化する対向反事実回帰ネットワーク(ACFR)を提案する。
半合成データセットに対する実験的な評価は、ACFRの最先端手法に対する経験的優位性を実証するものである。
論文 参考訳（メタデータ） (2023-12-17T00:46:16Z) - Flexible Nonparametric Inference for Causal Effects under the Front-Door Model [2.6900047294457683]
本研究では, 平均治療効果, 平均治療効果の両面から, 新規な1段階, 目標最小損失ベース推定装置を開発した。
我々の推定器は観測されたデータ分布のパラメータ化に基づいて構築され、メディエータ密度を完全に回避するアプローチを含む。
因果効果推定器の効率を向上させるためにこれらの制約をどのように活用できるかを示す。
論文 参考訳（メタデータ） (2023-12-15T22:04:53Z) - Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment
Effect Estimation [137.3520153445413]
下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。
我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。
研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
論文 参考訳（メタデータ） (2023-07-11T02:58:10Z) - 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) - Neighborhood Adaptive Estimators for Causal Inference under Network Interference [109.17155002599978]
ネットワークに接続された単位による古典的非干渉仮定の違反について考察する。
トラクタビリティでは、干渉がどのように広がるかを記述する既知のネットワークを考える。
論文 参考訳（メタデータ） (2022-12-07T14:53:47Z) - Bayesian Counterfactual Mean Embeddings and Off-Policy Evaluation [10.75801980090826]
最終治療効果の期待を推定するための3つの新しいベイズ的手法を提案する。
これらの手法は、考慮された不確実性の原因が異なるため、2つのデータソースを組み合わせることが可能である。
我々はこれらの考え方を非政治評価フレームワークに一般化する。
論文 参考訳（メタデータ） (2022-11-02T23:39:36Z) - Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。
この課題に対処するための新しいクロスバリデーションのような方法論を提供する。
本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
論文 参考訳（メタデータ） (2021-12-14T17:53:01Z) - Confounding Feature Acquisition for Causal Effect Estimation [6.174721516017138]
我々は,この課題を因果推論のための特徴獲得の問題として捉えている。
我々のゴールは、効率的な平均治療効果の推定につながるサンプルにおいて、行方不明の共同創業者の固定的で既知のサブセットの取得値を優先順位付けすることです。
論文 参考訳（メタデータ） (2020-11-17T16:28:43Z) - Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。
我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文 参考訳（メタデータ） (2020-01-21T10:16:33Z)
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。