論文の概要: Spatial Deconfounder: Interference-Aware Deconfounding for Spatial Causal Inference

• arxiv url: http://arxiv.org/abs/2510.08762v1
• Date: Thu, 09 Oct 2025 19:28:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:47.603613
• Title: Spatial Deconfounder: Interference-Aware Deconfounding for Spatial Causal Inference
• Title（参考訳）: Space Deconfounder:空間因果推論のためのInterference-Aware Deconfounding
• Authors: Ayush Khot, Miruna Oprescu, Maresa Schröder, Ai Kagawa, Xihaier Luo,
• Abstract要約: 空間領域における因果推論は、未測定の空間要因と近くの治療からの干渉の2つの相反する課題に直面している。 本研究では,局所的な治療ベクトルから代用共同創設者を再構築する2段階の手法である空間的共同ファウンダーを提案する。 この手法により、弱い仮定の下で直接と効果の両方を非パラメトリックに識別できることを示す。
• 参考スコア（独自算出の注目度）: 9.753644414327225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal inference in spatial domains faces two intertwined challenges: (1) unmeasured spatial factors, such as weather, air pollution, or mobility, that confound treatment and outcome, and (2) interference from nearby treatments that violate standard no-interference assumptions. While existing methods typically address one by assuming away the other, we show they are deeply connected: interference reveals structure in the latent confounder. Leveraging this insight, we propose the Spatial Deconfounder, a two-stage method that reconstructs a substitute confounder from local treatment vectors using a conditional variational autoencoder (CVAE) with a spatial prior, then estimates causal effects via a flexible outcome model. We show that this approach enables nonparametric identification of both direct and spillover effects under weak assumptions--without requiring multiple treatment types or a known model of the latent field. Empirically, we extend SpaCE, a benchmark suite for spatial confounding, to include treatment interference, and show that the Spatial Deconfounder consistently improves effect estimation across real-world datasets in environmental health and social science. By turning interference into a multi-cause signal, our framework bridges spatial and deconfounding literatures to advance robust causal inference in structured data.
• Abstract（参考訳）: 空間領域における因果推論は,(1)気象,大気汚染,移動などの未測定空間要因,(2)標準的な非干渉仮定に反する近隣処理からの干渉,の2つの課題に直面する。 既存のメソッドは通常、もう一方を仮定することで解決しますが、それらが深く結びついていることが示されます。 この知見を活かして,条件付き変分オートエンコーダ(CVAE)を用いて局所的治療ベクトルから代用共同創設者を再構成し,フレキシブルな結果モデルを用いて因果効果を推定する2段階的手法であるSpatial Deconfounderを提案する。 提案手法は,複数の処理タイプや潜在分野の既知のモデルを必要としない,弱い仮定の下での直接的および余剰効果の非パラメトリック同定を可能にすることを示す。 経験的に、空間的コンバウンディングのためのベンチマークスイートであるSpaCEを拡張して、治療の干渉を含むようにし、Spatial Deconfounderが、環境衛生と社会科学における実世界のデータセット間でのエフェクト推定を一貫して改善していることを示す。 干渉を多元信号にすることで、構造化されたデータにおける堅牢な因果推論を促進するために、我々のフレームワークは空間的および非折り畳み文学を橋渡しする。

関連論文リスト

• RaUF: Learning the Spatial Uncertainty Field of Radar [2.6853734738584047]
  ミリ波レーダーは、悪天候に特有の利点を提供するが、空間の忠実度が低く、方位の曖昧さが強く、乱れによって引き起こされる引き起こされるリターンに悩まされる。 本稿では,レーダ計測を物理的に基底とした異方性特性によってモデル化する空間不確実性学習フレームワークであるRaUFを提案する。 相反する特徴-ラベル間のマッピングを解決するために、細粒度不確実性を学ぶ異方性確率モデルを設計する。
  論文  参考訳（メタデータ） (2026-03-01T10:10:43Z)
• Global-focal Adaptation with Information Separation for Noise-robust Transfer Fault Diagnosis [48.69961294481149]
  ノイズ条件下でのドメイン横断故障診断のための情報分離グローバル焦点対向ネットワーク(ISGFAN)を提案する。 ISGFANは、ドメイン不変のフォールト表現を分離するために、逆学習と改善された損失を統合する情報分離アーキテクチャ上に構築されている。 3つの公開データセットで行った実験は、提案手法が他の顕著な既存手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2025-10-16T01:13:06Z)
• Doubly robust estimation of causal effects for random object outcomes with continuous treatments [8.874402662101234]
  因果推論は統計学と科学的発見の中心である。 現代のアプリケーションは複雑で非ユークリッド的なデータ構造をますます含んでいる。 本稿では,非ユークリッドデータに適用した継続的治療による因果推論のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2025-06-28T04:55:12Z)
• HierRelTriple: Guiding Indoor Layout Generation with Hierarchical Relationship Triplet Losses [52.70183252341687]
  本稿では,空間的関係学習に着目した階層型三重項に基づく屋内関係学習手法HierRelTripleを提案する。 階層型リレーショナル三重項モデリングフレームワークであるHierRelTripleを導入する。 非条件レイアウト合成、フロアプラン条件付きレイアウト生成、シーン再構成の実験により、HierRelは空間関係のメトリクスを15%以上改善することを示した。
  論文  参考訳（メタデータ） (2025-03-26T07:31:52Z)
• Learning to Align and Refine: A Foundation-to-Diffusion Framework for Occlusion-Robust Two-Hand Reconstruction [50.952228546326516]
  単眼画像からの両手再建は、複雑でダイナミックな手の位置が原因で、永続的な課題に直面している。 既存のアプローチはそのようなアライメントの問題に悩まされ、しばしば不整合と侵入の成果物をもたらす。 本稿では,視覚基礎モデルからの2次元事前ガイダンスを正確に整合させる2段階のファンデーション・ツー・ディフュージョンフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-22T14:42:27Z)
• Towards Robust and Realistic Human Pose Estimation via WiFi Signals [85.60557095666934]
  WiFiベースの人間のポーズ推定は、離散的で微妙なWiFi信号を人間の骨格にブリッジする難しいタスクである。 本論文は,本問題を再検討し,(1)ドメイン間ギャップ,(2)ソース・ターゲット領域のポーズ分布の顕著な変化,(2)骨格のポーズが歪んだトポロジーを示す構造的フィデリティギャップ,の2つの重要な問題を明らかにする。 本稿では,タスクをDT-Poseと呼ばれる新しい2段階のフレームワークに書き換えることで,これらのギャップを埋める:ドメイン一貫性表現学習とトポロジ制約ポスデコーディング。
  論文  参考訳（メタデータ） (2025-01-16T09:38:22Z)
• Online Experimental Design With Estimation-Regret Trade-off Under Network Interference [7.080131271060764]
  オンライン実験設計のための統合型干渉認識フレームワークを提案する。 既存の研究と比較して、露出マッピングの統計的概念を利用して腕の空間の定義を拡張した。 また、アルゴリズムの実装を提案し、異なる学習環境とネットワークトポロジにまたがる一般化について議論する。
  論文  参考訳（メタデータ） (2024-12-04T21:45:35Z)
• Estimating Direct and Indirect Causal Effects of Spatiotemporal Interventions in Presence of Spatial Interference [0.46052594866569146]
  まず, 空間干渉の概念を, 未測定条件を仮定して拡張することで, 時間変化による治療結果に対する空間干渉の概念を拡張した。 次に、時間的因果推論のための深層学習に基づく潜在的結果モデルを提案する。 U-Netアーキテクチャのパワーを利用して、時間とともに空間的干渉を捉えながら、時間変化による干渉を低減するために潜時因子モデリングを利用する。
  論文  参考訳（メタデータ） (2024-05-13T20:39:27Z)
• Integrating Active Learning in Causal Inference with Interference: A Novel Approach in Online Experiments [5.488412825534217]
  ACI(Causal Inference with Interference)におけるアクティブラーニング手法について紹介する。 ACIはガウス過程を用いて、隣人の治療課題の連続的な測定の関数として直接的および余分な処理効果を柔軟にモデル化する。 データ要求の低減による精度の高い効果推定の実現可能性を示す。
  論文  参考訳（メタデータ） (2024-02-20T04:13:59Z)
• 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)
• Data-Driven Blind Synchronization and Interference Rejection for Digital Communication Signals [98.95383921866096]
  本研究では,データ駆動型深層学習手法の可能性について検討した。 本研究では,高分解能時間構造(非定常性)の取得が性能向上につながることを示す。 既製のNNと古典的検出と干渉除去の両方で改善可能なドメインインフォームドニューラルネットワーク(NN)の設計を提案する。
  論文  参考訳（メタデータ） (2022-09-11T14:10:37Z)
• Dive into Ambiguity: Latent Distribution Mining and Pairwise Uncertainty Estimation for Facial Expression Recognition [59.52434325897716]
  DMUE(DMUE)という,アノテーションのあいまいさを2つの視点から解決するソリューションを提案する。 前者に対しては,ラベル空間における潜伏分布をよりよく記述するために,補助的マルチブランチ学習フレームワークを導入する。 後者の場合、インスタンス間の意味的特徴のペアワイズ関係を完全に活用して、インスタンス空間のあいまいさの程度を推定する。
  論文  参考訳（メタデータ） (2021-04-01T03:21:57Z)

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。