論文の概要: Comparing Two Proxy Methods for Causal Identification

• arxiv url: http://arxiv.org/abs/2512.00175v1
• Date: Fri, 28 Nov 2025 19:24:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.100083
• Title: Comparing Two Proxy Methods for Causal Identification
• Title（参考訳）: 因果同定のための2つのプロキシ法の比較
• Authors: Helen Guo, Elizabeth L. Ogburn, Ilya Shpitser,
• Abstract要約: 未測定変数の存在下での因果関係を同定する2つの方法を提案する。 本研究は,各手法の適用可能性の範囲を明確にし,基礎となる仮定の含意について考察する。
• 参考スコア（独自算出の注目度）: 4.998584084394827
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying causal effects in the presence of unmeasured variables is a fundamental challenge in causal inference, for which proxy variable methods have emerged as a powerful solution. We contrast two major approaches in this framework: (1) bridge equation methods, which leverage solutions to integral equations to recover causal targets, and (2) array decomposition methods, which recover latent factors composing counterfactual quantities by exploiting unique determination of eigenspaces. We compare the model restrictions underlying these two approaches and provide insight into implications of the underlying assumptions, clarifying the scope of applicability for each method.
• Abstract（参考訳）: 非測定変数の存在による因果効果の同定は因果推論における根本的な課題であり、代用変数法が強力な解として現れた。 本枠組みでは,(1)因果的対象を解くために積分方程式の解を利用するブリッジ方程式法,(2)固有空間の固有決定を利用して反事実量を構成する潜在因子を復元するアレイ分解法,の2つの主要なアプローチを対比する。 これら2つの手法に基づくモデル制約を比較し、基礎となる仮定の含意について考察し、各手法の適用範囲を明確にする。

関連論文リスト

• Identification of Causal Direction under an Arbitrary Number of Latent Confounders [54.76982125821112]
  実世界のシナリオでは、観測された変数は複数の潜伏変数によって同時に影響を受けることがある。 我々は,特定の方法で構築された観測変数の高次累積行列を併用する。 これらの高次累積行列の階数不足特性から,2つの観測変数間の因果非対称性が直接観察可能であることを示す。
  論文  参考訳（メタデータ） (2025-10-26T15:10:00Z)
• Identification of Causal Structure with Latent Variables Based on Higher Order Cumulants [31.85295338809117]
  本稿では,潜伏変数の影響を受ける2つの変数間の因果エッジの存在を同定するための新しい手法を提案する。 このような因果エッジが流出した場合、因果方向を決定するための非対称性基準を導入する。
  論文  参考訳（メタデータ） (2023-12-19T08:20:19Z)
• Kernel Single Proxy Control for Deterministic Confounding [27.68132952123939]
  結果が確定的に生成されると因果回復が可能であることを示す。 これは、単一のプロキシ変数を持つ因果メソッドに関する既存の作業を継続的処理設定に一般化する。
  論文  参考訳（メタデータ） (2023-08-08T21:11:06Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• SARAH-based Variance-reduced Algorithm for Stochastic Finite-sum Cocoercive Variational Inequalities [137.6408511310322]
  有限サムコヒーレンシブ変分不等式の問題を考える。 強い単調な問題に対しては、この方法を用いて解への線形収束を達成することができる。
  論文  参考訳（メタデータ） (2022-10-12T08:04:48Z)
• 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)
• Learning Causal Semantic Representation for Out-of-Distribution Prediction [125.38836464226092]
  因果推論に基づく因果意味生成モデル(CSG)を提案し,その2つの要因を別々にモデル化する。 CSGはトレーニングデータに適合させることで意味的因子を識別できることを示し、この意味的識別はOOD一般化誤差の有界性を保証する。
  論文  参考訳（メタデータ） (2020-11-03T13:16:05Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。