論文の概要: Estimating Bidirectional Causal Effects with Large Scale Online Kernel Learning

• arxiv url: http://arxiv.org/abs/2511.05050v1
• Date: Fri, 07 Nov 2025 07:44:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.705215
• Title: Estimating Bidirectional Causal Effects with Large Scale Online Kernel Learning
• Title（参考訳）: 大規模オンラインカーネル学習による双方向因果効果の推定
• Authors: Masahiro Tanaka,
• Abstract要約: 提案手法は,大規模オンラインカーネル学習を伴う同時方程式モデルのための準最大確率推定器を統合する。 単一の方程式やスケーラブルなベースライン近似よりも精度と安定性が向上する。 提案手法は, ほぼ線形な計算スケーリングによる複雑な双方向因果効果を効果的に捉えていることを確認した。
• 参考スコア（独自算出の注目度）: 1.0356094515229846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, a scalable online kernel learning framework is proposed for estimating bidirectional causal effects in systems characterized by mutual dependence and heteroskedasticity. Traditional causal inference often focuses on unidirectional effects, overlooking the common bidirectional relationships in real-world phenomena. Building on heteroskedasticity-based identification, the proposed method integrates a quasi-maximum likelihood estimator for simultaneous equation models with large scale online kernel learning. It employs random Fourier feature approximations to flexibly model nonlinear conditional means and variances, while an adaptive online gradient descent algorithm ensures computational efficiency for streaming and high-dimensional data. Results from extensive simulations demonstrate that the proposed method achieves superior accuracy and stability than single equation and polynomial approximation baselines, exhibiting lower bias and root mean squared error across various data-generating processes. These results confirm that the proposed approach effectively captures complex bidirectional causal effects with near-linear computational scaling. By combining econometric identification with modern machine learning techniques, the proposed framework offers a practical, scalable, and theoretically grounded solution for large scale causal inference in natural/social science, policy making, business, and industrial applications.
• Abstract（参考訳）: 本研究では,相互依存とヘテロスケダストリティを特徴とするシステムにおける双方向因果効果を推定するためのスケーラブルなオンラインカーネル学習フレームワークを提案する。 伝統的な因果推論は、現実世界の現象における共通の双方向の関係を見越して、一方向の影響に焦点を当てることが多い。 提案手法はヘテロスケダスティック性に基づく同定に基づいて,大規模なオンラインカーネル学習を伴う同時方程式モデルのための準最大確率推定器を統合する。 非線形条件付き平均と分散を柔軟にモデル化するためにランダムなフーリエ特徴近似を用いており、適応的なオンライン勾配勾配アルゴリズムはストリーミングや高次元データの計算効率を保証している。 シミュレーションの結果,提案手法は単一方程式および多項式近似ベースラインよりも精度と安定性が向上し,様々なデータ生成過程において低いバイアスとルート平均二乗誤差を示すことがわかった。 これらの結果は,提案手法が線形に近い計算スケーリングによる複雑な双方向因果効果を効果的に捉えることを裏付けるものである。 エクコノメトリ識別と現代の機械学習技術を組み合わせることで、提案フレームワークは、自然・社会科学、政策作成、ビジネス、産業応用における大規模因果推論のための実用的でスケーラブルで理論的に基礎付けられたソリューションを提供する。

関連論文リスト

• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Learning Controlled Stochastic Differential Equations [61.82896036131116]
  本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。 我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。 当社のメソッドはオープンソースPythonライブラリとして利用可能です。
  論文  参考訳（メタデータ） (2024-11-04T11:09:58Z)
• Partially factorized variational inference for high-dimensional mixed models [0.0]
  変分推論は、特にベイズ的文脈において、そのような計算を行う一般的な方法である。 標準平均場変動推論は,高次元の後方不確かさを劇的に過小評価することを示した。 次に、平均場仮定を適切に緩和すると、不確実な定量化が高次元で悪化しない手法が導かれることを示す。
  論文  参考訳（メタデータ） (2023-12-20T16:12:37Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Neural incomplete factorization: learning preconditioners for the conjugate gradient method [2.899792823251184]
  我々は、効率的なプレコンディショナーの生成を加速するためのデータ駆動型アプローチを開発する。 一般的に手動のプリコンディショナーをグラフニューラルネットワークの出力に置き換える。 本手法は, 行列の不完全分解を発生させ, 神経不完全分解(NeuralIF)と呼ばれる。
  論文  参考訳（メタデータ） (2023-05-25T11:45:46Z)
• Deep Learning Aided Laplace Based Bayesian Inference for Epidemiological Systems [2.596903831934905]
  本稿では,Laplace をベースとしたベイズ推定と ANN アーキテクチャを併用して ODE 軌道の近似を求めるハイブリッド手法を提案する。 本手法の有効性を,非分析的ソリューションを用いた疫学システム,Susceptible-Infectious-Demoved (SIR) モデルを用いて実証した。
  論文  参考訳（メタデータ） (2022-10-17T09:02:41Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Communication-efficient Byzantine-robust distributed learning with statistical guarantee [2.8407238889624877]
  コミュニケーション効率と堅牢性は、現代の分散学習フレームワークにおける2つの大きな問題である。 本論文では,凸問題に対するコミュニケーション効率とロバストな分散学習アルゴリズムを2つ開発する。
  論文  参考訳（メタデータ） (2021-02-28T01:38:37Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Consistency of Empirical Bayes And Kernel Flow For Hierarchical Parameter Estimation [18.852474191260445]
  本稿では,階層的パラメータを学習する2つのパラダイムについて考察する。 一つは確率ベイズ的視点、特に経験的ベイズ的アプローチからである。 もう1つは、決定論的および近似論的視点、特にカーネルフローアルゴリズムからのものである。
  論文  参考訳（メタデータ） (2020-05-22T20:17:48Z)

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。