論文の概要: An Analysis of Causal Effect Estimation using Outcome Invariant Data Augmentation

• arxiv url: http://arxiv.org/abs/2510.25128v1
• Date: Wed, 29 Oct 2025 03:17:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:44.995023
• Title: An Analysis of Causal Effect Estimation using Outcome Invariant Data Augmentation
• Title（参考訳）: 出力不変データ拡張による因果効果推定の解析
• Authors: Uzair Akbar, Niki Kilbertus, Hao Shen, Krikamol Muandet, Bo Dai,
• Abstract要約: データ拡張(DA)のテクニックは、正規化の目的で機械学習でしばしば使用される。 因果推論のトピックを取り入れた統一フレームワークを提示し、単にi.i.d.設定以上のDAの使用を論証する。
• 参考スコア（独自算出の注目度）: 21.69577679759595
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The technique of data augmentation (DA) is often used in machine learning for regularization purposes to better generalize under i.i.d. settings. In this work, we present a unifying framework with topics in causal inference to make a case for the use of DA beyond just the i.i.d. setting, but for generalization across interventions as well. Specifically, we argue that when the outcome generating mechanism is invariant to our choice of DA, then such augmentations can effectively be thought of as interventions on the treatment generating mechanism itself. This can potentially help to reduce bias in causal effect estimation arising from hidden confounders. In the presence of such unobserved confounding we typically make use of instrumental variables (IVs) -- sources of treatment randomization that are conditionally independent of the outcome. However, IVs may not be as readily available as DA for many applications, which is the main motivation behind this work. By appropriately regularizing IV based estimators, we introduce the concept of IV-like (IVL) regression for mitigating confounding bias and improving predictive performance across interventions even when certain IV properties are relaxed. Finally, we cast parameterized DA as an IVL regression problem and show that when used in composition can simulate a worst-case application of such DA, further improving performance on causal estimation and generalization tasks beyond what simple DA may offer. This is shown both theoretically for the population case and via simulation experiments for the finite sample case using a simple linear example. We also present real data experiments to support our case.
• Abstract（参考訳）: データ拡張(DA)のテクニックは、機械学習において正規化の目的でよく使われ、i.d.設定下でより一般化される。 本研究では,因果推論をテーマとした一元的枠組みを提示し,DAの使用をi.d.設定だけでなく,介入の一般化にも活用する。 具体的には、結果生成機構が我々のDA選択に不変である場合、そのような拡張は治療生成機構自体への介入として効果的に考えられる。 これは、隠れた共同設立者による因果関係の見積もりのバイアスを減らすのに役立つ可能性がある。 このような観測されていないコンファウンディングの存在下では、通常、結果から条件的に独立な治療ランダム化の源であるインストゥルメンタル変数(IVs)を使用する。 しかし、多くのアプリケーションで IV は DA ほど簡単には利用できないかもしれない。 本稿では,IV-like (IVL)レグレッションの概念を適切に正規化することにより,IV特性が緩和された場合でも,共起バイアスを緩和し,介入間の予測性能を向上させる。 最後に、パラメータ化DAをIVL回帰問題としてキャストし、合成で使用すると、そのようなDAの最悪の応用をシミュレートでき、単純なDAが提供するもの以上の因果推定および一般化タスクの性能がさらに向上することを示す。 これは、理論上、集団の場合と、単純な線形例を用いた有限標本の場合のシミュレーション実験の両方で示される。 ケースをサポートするために、実データ実験も行います。

関連論文リスト

• Flow IV: Counterfactual Inference In Nonseparable Outcome Models Using Instrumental Variables [2.3213238782019316]
  標準IVの仮定の下では、治療と結果における潜伏雑音が厳密に単調で連立ガウス的であるという仮定とともに、治療と成果の関係は観測データから一意に特定される。 これにより、非分離モデルにおいても反ファクト推論が可能となる。 本手法は,観測結果の精度を最大化するために正規化フローをトレーニングすることにより実現し,基礎となる結果関数の正確な回復を実証する。
  論文  参考訳（メタデータ） (2025-08-02T11:24:03Z)
• A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)
• Distributional Instrumental Variable Method [4.34680331569334]
  本研究の目的は介入分布全体を推定することである。 非線形IV設定における生成モデルを用いたDIV(Distributedal Instrumental Variable)法を提案する。
  論文  参考訳（メタデータ） (2025-02-11T15:33:06Z)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Identifying Causal Effects using Instrumental Time Series: Nuisance IV and Correcting for the Past [12.49477539101379]
  ベクトル自己回帰(VAR)プロセスのような時系列モデルにおけるIV回帰を考察する。 i.d.テクニックの直接的な適用は、過去に依存性を正しく調整しなかったため、一般的には矛盾する。 我々は,その一貫性を証明し,その因果効果が分布一般化にどのように用いられるかを示す。
  論文  参考訳（メタデータ） (2022-03-11T16:29:48Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Instrumental Variable Value Iteration for Causal Offline Reinforcement Learning [107.70165026669308]
  オフライン強化学習(RL)では、事前収集された観測データのみから最適なポリシーが学習される。 遷移力学が加法的非線形汎関数形式を持つようなマルコフ決定過程について検討する。 そこで本稿では,条件付きモーメント制限の原始的2次元再構成に基づく,証明可能なIVVIアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-19T13:01:40Z)

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。