論文の概要: Multiple Treatments Causal Effects Estimation with Task Embeddings and Balanced Representation Learning

• arxiv url: http://arxiv.org/abs/2511.09814v1
• Date: Fri, 14 Nov 2025 01:10:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.502761
• Title: Multiple Treatments Causal Effects Estimation with Task Embeddings and Balanced Representation Learning
• Title（参考訳）: タスク埋め込みとバランス表現学習を用いた複数処理因果効果推定
• Authors: Yuki Murakami, Takumi Hattori, Kohsuke Kubota,
• Abstract要約: 治療の組み合わせから生じる単一治療効果と相互作用治療効果を推定することが重要である。 従来の研究では、対話のための独立した成果ネットワークを用いた研究が提案されている。 本稿では,タスク埋め込みネットワークと,バランスペナルティを備えた表現学習ネットワークを組み込んだ新しいディープラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.22940141855172036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The simultaneous application of multiple treatments is increasingly common in many fields, such as healthcare and marketing. In such scenarios, it is important to estimate the single treatment effects and the interaction treatment effects that arise from treatment combinations. Previous studies have proposed using independent outcome networks with subnetworks for interactions, or combining task embedding networks that capture treatment similarity with variational autoencoders. However, these methods suffer from the lack of parameter sharing among related treatments, or the estimation of unnecessary latent variables reduces the accuracy of causal effect estimation. To address these issues, we propose a novel deep learning framework that incorporates a task embedding network and a representation learning network with the balancing penalty. The task embedding network enables parameter sharing across related treatment patterns because it encodes elements common to single effects and contributions specific to interaction effects. The representation learning network with the balancing penalty learns representations nonparametrically from observed covariates while reducing distances in representation distributions across different treatment patterns. This process mitigates selection bias and avoids model misspecification. Simulation studies demonstrate that the proposed method outperforms existing baselines, and application to real-world marketing datasets confirms the practical implications and utility of our framework.
• Abstract（参考訳）: 複数の治療法の同時適用は、医療やマーケティングなど、多くの分野でますます一般的になっている。 このようなシナリオでは、処理の組み合わせから生じる単一処理効果と相互作用処理効果を推定することが重要である。 従来の研究では、サブネットワークによるインタラクションや、処理の類似性を捉えたタスク埋め込みネットワークと、変分オートエンコーダを組み合わせることが提案されてきた。 しかし、これらの手法は関連する治療におけるパラメータ共有の欠如に悩まされ、不必要な潜伏変数の推定は因果効果推定の精度を低下させる。 これらの課題に対処するために,タスク埋め込みネットワークと表現学習ネットワークをバランスペナルティ付きで組み込んだ,新しいディープラーニングフレームワークを提案する。 タスク埋め込みネットワークは、単一のエフェクトに共通する要素をコード化し、インタラクションエフェクトに特有のコントリビューションを符号化するため、関連する処理パターン間のパラメータ共有を可能にする。 バランスペナルティを有する表現学習ネットワークは、観察された共変量から非パラメトリック的に表現を学習し、異なる処理パターンの表現分布における距離を減少させる。 このプロセスは選択バイアスを緩和し、モデルの不特定を避ける。 シミュレーション研究により,提案手法は既存のベースラインよりも優れており,実際のマーケティングデータセットへの適用により,本フレームワークの実用的意義と有用性が確認されている。

関連論文リスト

• Estimating Treatment Effects in Networks using Domain Adversarial Training [4.664495510551647]
  ネットワーク設定における不均一な処理効果の推定は、干渉によって複雑になる。 本稿では,グラフニューラルネットワークとドメイン逆学習を統合する新しい手法HINetを提案する。
  論文  参考訳（メタデータ） (2025-10-24T13:34:43Z)
• Network Causal Effect Estimation In Graphical Models Of Contagion And Latent Confounding [2.654975444537834]
  多くのネットワーク研究の鍵となる疑問は、観測された単位間の相関は、主に感染や潜伏によるものであるかである。 ネットワーク因果効果の推定手法を提案する。 実世界のネットワークを用いて,合成データによる手法の有効性と仮定の有効性を評価する。
  論文  参考訳（メタデータ） (2024-11-02T22:12:44Z)
• Model-Based Inference and Experimental Design for Interference Using Partial Network Data [4.76518127830168]
  本稿では,部分的ネットワークデータを用いた治療効果調整の評価と推定のためのフレームワークを提案する。 部分的ネットワークデータのみを用いて治療を割り当てる手順を説明する。 本研究では,インドとマラウイにおける情報拡散と観測グラフのシミュレーション実験によるアプローチの有効性を検証した。
  論文  参考訳（メタデータ） (2024-06-17T17:27:18Z)
• 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)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• NCoRE: Neural Counterfactual Representation Learning for Combinations of Treatments [26.991483018857803]
  本論文では, コンビネーション処理における反事実表現を学習する新しい手法であるニューラル反事実関係推定法(NCoRE)を提案する。 NCoREは、学習された治療相互作用変調器を含む新しい分岐状態神経表現に基づいており、複数の治療の組み合わせの基礎となる潜在的な因果生成過程を推測する。
  論文  参考訳（メタデータ） (2021-03-20T13:25:00Z)
• Task-Feature Collaborative Learning with Application to Personalized Attribute Prediction [166.87111665908333]
  本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。 具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。 実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
  論文  参考訳（メタデータ） (2020-04-29T02:32:04Z)
• Almost-Matching-Exactly for Treatment Effect Estimation under Network Interference [73.23326654892963]
  本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。 本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
  論文  参考訳（メタデータ） (2020-03-02T15:21:20Z)
• 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。