論文の概要: PITE: Multi-Prototype Alignment for Individual Treatment Effect Estimation

• arxiv url: http://arxiv.org/abs/2511.10320v1
• Date: Fri, 14 Nov 2025 01:45:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.813787
• Title: PITE: Multi-Prototype Alignment for Individual Treatment Effect Estimation
• Title（参考訳）: PITE:個別処理効果推定のためのマルチプロトタイプアライメント
• Authors: Fuyuan Cao, Jiaxuan Zhang, Xiaoli Li,
• Abstract要約: textbITE推定のためのエンドツーエンドのMulti-to-end Multi-textbfPrototypeアライメント手法を提案する。 PITEはグループ内の局所構造を効果的に捕捉し、グループ間のアライメントを強制する。 13の最先端の手法を上回り、より正確で堅牢なITT推定を実現している。
• 参考スコア（独自算出の注目度）: 10.73491549833915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating Individual Treatment Effects (ITE) from observational data is challenging due to confounding bias. Most studies tackle this bias by balancing distributions globally, but ignore individual heterogeneity and fail to capture the local structure that represents the natural clustering among individuals, which ultimately compromises ITE estimation. While instance-level alignment methods consider heterogeneity, they similarly overlook the local structure information. To address these issues, we propose an end-to-end Multi-\textbf{P}rototype alignment method for \textbf{ITE} estimation (\textbf{PITE}). PITE effectively captures local structure within groups and enforces cross-group alignment, thereby achieving robust ITE estimation. Specifically, we first define prototypes as cluster centroids based on similar individuals under the same treatment. To identify local similarity and the distribution consistency, we perform instance-to-prototype matching to assign individuals to the nearest prototype within groups, and design a multi-prototype alignment strategy to encourage the matched prototypes to be close across treatment arms in the latent space. PITE not only reduces distribution shift through fine-grained, prototype-level alignment, but also preserves the local structures of treated and control groups, which provides meaningful constraints for ITE estimation. Extensive evaluations on benchmark datasets demonstrate that PITE outperforms 13 state-of-the-art methods, achieving more accurate and robust ITE estimation.
• Abstract（参考訳）: 観察データから個別治療効果 (ITE) を推定することは, 偏見の相違により困難である。 ほとんどの研究は、世界中に分布のバランスをとることでこのバイアスに取り組むが、個々の不均一性を無視し、個人間の自然なクラスタリングを表す局所構造を捉えることができず、最終的にはITTの推定を損なう。 インスタンスレベルのアライメント手法は不均一性を考慮するが、同様に局所構造情報を見落としている。 これらの問題に対処するために, エンドツーエンドのMulti-\textbf{P}ロトタイプアライメント手法を提案し, 評価を行う(\textbf{PITE})。 PITEは、グループ内の局所構造を効果的に捕捉し、グループ間のアライメントを強制し、堅牢なITT推定を実現する。 具体的には、まず、同じ治療下で類似した個人に基づいて、プロトタイプをクラスタセントロイドとして定義する。 局所的な類似性と分布の整合性を明らかにするため,グループ内の最も近いプロトタイプに個人を割り当てるインスタンス・ツー・プロトタイプマッチングを行い,複数プロトタイプアライメント戦略を設計し,マッチングされたプロトタイプが潜在空間における治療アームに近接することを奨励する。 PITEは、粒度の細かいプロトタイプレベルのアライメントによる分布シフトを減らすだけでなく、処理群と制御群の局所構造を保存し、ITT推定に意味のある制約を与える。 ベンチマークデータセットの大規模な評価は、PITEが13の最先端メソッドより優れており、より正確で堅牢なITT推定を実現していることを示している。

関連論文リスト

• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• Prototypical Contrastive Learning through Alignment and Uniformity for Recommendation [6.790779112538357]
  提案するアンダーライン・アライメントとアンダーライン・ユニフォーマル性によるインダーライン型コントラスト学習について述べる。 具体的には、まず、原点グラフから異なる拡張点間の整合性を確保するために、潜時空間としてプロトタイプを提案する。 明示的な負の欠如は、インスタンスとプロトタイプ間の整合性損失を直接最適化することで、次元的な崩壊の問題が容易に生じることを意味する。
  論文  参考訳（メタデータ） (2024-02-03T08:19:26Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• Mitigating Group Bias in Federated Learning for Heterogeneous Devices [1.181206257787103]
  フェデレートラーニング(Federated Learning)は、分散エッジアプリケーションにおけるプライバシ保護モデルトレーニングアプローチとして登場している。 本研究は,プライバシを維持しながら,資源利用のオーバーヘッドを伴わずにグループバイアスを最小限に抑えるグループフェアFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-13T16:53:48Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• Cluster-level Feature Alignment for Person Re-identification [16.01713931617725]
  本稿では、データセット全体にわたるクラスタレベルの特徴アライメントという、別の特徴アライメントのモダリティを探索する。 クラスタレベルの特徴アライメントは,データセットの概要から反復的なアグリゲーションとアライメントから構成される。
  論文  参考訳（メタデータ） (2020-08-15T23:47:47Z)

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。