論文の概要: Robust Optimization in Causal Models and G-Causal Normalizing Flows

• arxiv url: http://arxiv.org/abs/2510.15458v1
• Date: Fri, 17 Oct 2025 09:12:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.553795
• Title: Robust Optimization in Causal Models and G-Causal Normalizing Flows
• Title（参考訳）: 因果モデルとG-因果正規化流れのロバスト最適化
• Authors: Gabriele Visentin, Patrick Cheridito,
• Abstract要約: 因果モデルにおけるロバストな最適化問題は、$G$-causal Wasserstein 距離の下で連続であるが、標準の Wasserstein 距離では不連続である。 本稿では,因果構造モデルに対する普遍近似特性を満たす新しい正規化フローアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.7734726150561086
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In this paper, we show that interventionally robust optimization problems in causal models are continuous under the $G$-causal Wasserstein distance, but may be discontinuous under the standard Wasserstein distance. This highlights the importance of using generative models that respect the causal structure when augmenting data for such tasks. To this end, we propose a new normalizing flow architecture that satisfies a universal approximation property for causal structural models and can be efficiently trained to minimize the $G$-causal Wasserstein distance. Empirically, we demonstrate that our model outperforms standard (non-causal) generative models in data augmentation for causal regression and mean-variance portfolio optimization in causal factor models.
• Abstract（参考訳）: 本稿では、因果モデルにおける干渉的に堅牢な最適化問題は、$G$-causal Wasserstein 距離の下で連続であるが、標準の Wasserstein 距離では不連続であることを示す。 このことは、そのようなタスクのデータを増やす際に因果構造を尊重する生成モデルを使用することの重要性を強調している。 そこで本研究では,因果構造モデルに対する普遍近似特性を満たす新しい正規化フローアーキテクチャを提案する。 実験により、我々のモデルは因果回帰および平均分散ポートフォリオ最適化のためのデータ拡張における標準(非因果)生成モデルよりも優れていることを示した。

関連論文リスト

• Galerkin-ARIMA: A Two-Stage Polynomial Regression Framework for Fast Rolling One-Step-Ahead Forecasting [9.953821298617473]
  Galerkin-ARIMAは、Galerkinプロジェクション技術と古典的なARIMAモデルを統合する時系列予測フレームワークである。 ガレルキン・アリバは, ローリング予測タスクにおいて, マグニチュード・オブ・マグニチュード・スピードアップを達成しつつ, アリバの予測精度と一致するか, あるいは密接に近似していることを示す。
  論文  参考訳（メタデータ） (2025-07-10T06:53:18Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
  本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。 我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
  論文  参考訳（メタデータ） (2024-05-30T03:57:29Z)
• Stable Training of Probabilistic Models Using the Leave-One-Out Maximum Log-Likelihood Objective [0.7373617024876725]
  カーネル密度推定(KDE)に基づくモデルは、このタスクの一般的な選択であるが、密度の異なるデータ領域に適応できない。 適応的なKDEモデルを用いてこれを回避し、モデル内の各カーネルは個別の帯域幅を持つ。 最適化速度を確実に高速化するために改良された期待最大化アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2023-10-05T14:08:42Z)
• Probabilistic Traffic Forecasting with Dynamic Regression [15.31488551912888]
  本稿では,交通予測における誤り過程の学習を取り入れた動的回帰(DR)フレームワークを提案する。 このフレームワークは、行列構造自己回帰(AR)モデルを用いてベースモデルのエラー系列をモデル化することにより、時間独立の仮定を緩和する。 新たに設計された損失関数は、非等方的誤差項の確率に基づいており、モデルがベースモデルの元の出力を保持しながら確率的予測を生成することができる。
  論文  参考訳（メタデータ） (2023-01-17T01:12:44Z)
• Dynamic treatment effects: high-dimensional inference under model misspecification [8.916614661563893]
  本稿では,新しい「逐次モデル二重頑健性」推定器を提案する。 共起効果を考慮した新しいモーメントターゲット推定法を開発し,ルート$N$推論が可能であることを示す。 二重頑健なフレームワーク内でもモデル不特定性の下で頑健な推論を行うことができない既製の高次元法とは異なり、新たに開発された損失関数は、この制限に効果的に対処する。
  論文  参考訳（メタデータ） (2021-11-12T17:05:47Z)
• Maximum Entropy Model Rollouts: Fast Model Based Policy Optimization without Compounding Errors [10.906666680425754]
  我々は、最大エントロピーモデルロールアウト(MEMR)と呼ばれるダイナスタイルモデルに基づく強化学習アルゴリズムを提案する。 複雑なエラーをなくすために、我々はモデルを使って単一ステップのロールアウトを生成する。
  論文  参考訳（メタデータ） (2020-06-08T21:38:15Z)

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。