論文の概要: Synergizing Deconfounding and Temporal Generalization For Time-series Counterfactual Outcome Estimation

• arxiv url: http://arxiv.org/abs/2511.16006v1
• Date: Thu, 20 Nov 2025 03:06:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.448795
• Title: Synergizing Deconfounding and Temporal Generalization For Time-series Counterfactual Outcome Estimation
• Title（参考訳）: 時系列逆アウトカム推定のための相乗的デコンウンディングと時間的一般化
• Authors: Yiling Liu, Juncheng Dong, Chen Fu, Wei Shi, Ziyang Jiang, Zhigang Hua, David Carlson,
• Abstract要約: 時系列観測による対実結果の推定は、効果的な意思決定に不可欠である。 サブ処理グループアライメント(SGA)とランダム時間マスキング(RTM)の2つの補完的アプローチを統合する新しい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）: 9.353359098871222
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Estimating counterfactual outcomes from time-series observations is crucial for effective decision-making, e.g. when to administer a life-saving treatment, yet remains significantly challenging because (i) the counterfactual trajectory is never observed and (ii) confounders evolve with time and distort estimation at every step. To address these challenges, we propose a novel framework that synergistically integrates two complementary approaches: Sub-treatment Group Alignment (SGA) and Random Temporal Masking (RTM). Instead of the coarse practice of aligning marginal distributions of the treatments in latent space, SGA uses iterative treatment-agnostic clustering to identify fine-grained sub-treatment groups. Aligning these fine-grained groups achieves improved distributional matching, thus leading to more effective deconfounding. We theoretically demonstrate that SGA optimizes a tighter upper bound on counterfactual risk and empirically verify its deconfounding efficacy. RTM promotes temporal generalization by randomly replacing input covariates with Gaussian noises during training. This encourages the model to rely less on potentially noisy or spuriously correlated covariates at the current step and more on stable historical patterns, thereby improving its ability to generalize across time and better preserve underlying causal relationships. Our experiments demonstrate that while applying SGA and RTM individually improves counterfactual outcome estimation, their synergistic combination consistently achieves state-of-the-art performance. This success comes from their distinct yet complementary roles: RTM enhances temporal generalization and robustness across time steps, while SGA improves deconfounding at each specific time point.
• Abstract（参考訳）: 時系列観察による逆実結果の推定は、例えば、救命治療を行う場合など、効果的な意思決定には不可欠であるが、それでも顕著に困難である。 一 反事実軌道が観測されないこと、及び (二)共同設立者は、各ステップで時間と歪んだ見積もりとともに進化する。 これらの課題に対処するために,サブトリート・グループ・アライメント(SGA)とランダム・テンポラル・マスキング(RTM)の2つの補完的アプローチを相乗的に統合する新しい枠組みを提案する。 潜在空間における治療の粗い分布を整列する粗い慣行の代わりに、SGAは反復的な治療非依存的なクラスタリングを用いて、きめ細かいサブ処理群を同定する。 これらの微細な群をアライメントすることで、分散マッチングの改善が達成され、より効果的に分解される。 理論的には、SGAは対実的リスクに対するより厳密な上限を最適化し、その分解効果を実証的に検証する。 RTMは学習中に入力共変分をガウス雑音にランダムに置き換えることで時間一般化を促進する。 このことは、モデルが現在の段階において潜在的にノイズや急激な相関関係の共変を少なくし、安定した歴史的パターンに頼ることを奨励し、時間にわたって一般化し、根底にある因果関係をより良く維持する能力を向上させる。 実験により,SGAとRTMを個別に適用することで,対実結果の推定が向上する一方で,その相乗的組み合わせが常に最先端の性能を達成することを示した。 RTMは時間ステップ間の時間的一般化とロバスト性を高め、SGAは特定の時点における分解を改善する。

関連論文リスト

• RI-Loss: A Learnable Residual-Informed Loss for Time Series Forecasting [13.117430904377905]
  時系列予測は、過去のデータから将来の値を予測することに依存する。 MSEには2つの根本的な弱点がある:そのポイントワイドエラーは時間的関係を捉えるのに失敗し、データに固有のノイズを考慮しない。 我々は,Hilbert-Schmidt Independence Criterion(HSIC)に基づく新たな目的関数であるResidual-Informed Loss(RI-Loss)を紹介する。
  論文  参考訳（メタデータ） (2025-11-13T09:36:00Z)
• Still Competitive: Revisiting Recurrent Models for Irregular Time Series Prediction [0.9883261192383609]
  GRUwE:指数基底関数付きGated Recurrent Unitを提案する。 GRUwEは、レグレッションベースの予測とイベントベースの予測の両方を連続的にサポートする。
  論文  参考訳（メタデータ） (2025-10-17T19:04:16Z)
• TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
  TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。 特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。 我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
  論文  参考訳（メタデータ） (2025-09-23T23:05:40Z)
• Ringmaster ASGD: The First Asynchronous SGD with Optimal Time Complexity [92.1840862558718]
  Ringmaster ASGDは任意に不均一な計算時間の下で最適な時間複雑性を達成する。 これにより、このようなシナリオにおける時間複雑性の理論的な下限を満たす最初の非同期SGD法となる。
  論文  参考訳（メタデータ） (2025-01-27T16:07:26Z)
• MindFlayer SGD: Efficient Parallel SGD in the Presence of Heterogeneous and Random Worker Compute Times [49.1574468325115]
  最適勾配を計算できる複数の並列作業者の設定において、滑らかな非関数の期待を最小化する問題について検討する。 この文脈における課題は、任意に不均一で分散された計算時間の存在である。 本稿では,このギャップに対処する新しい並列SGD法であるMindFlayer SGDを紹介する。
  論文  参考訳（メタデータ） (2024-10-05T21:11:32Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• COSTAR: Improved Temporal Counterfactual Estimation with Self-Supervised Learning [35.119957381211236]
  我々は,歴史表現を改善するために自己教師付き学習を統合する新しいアプローチであるCOSTAR(Counterfactual Self-Supervised Transformer)を紹介する。 COSTARは、既存のモデルと比較して、推定精度と分布外データへの一般化において優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-11-01T22:38:14Z)
• Bottom-Up Temporal Action Localization with Mutual Regularization [107.39785866001868]
  TALの最先端の解決策は、3つの行動指示相のフレームレベルの確率を評価することである。 学習手順を相互に規則化するための2つの規則化用語を導入する。 実験は2つの人気のTALデータセット、THUMOS14とActivityNet1.3で行われている。
  論文  参考訳（メタデータ） (2020-02-18T03:59:13Z)

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。