論文の概要: Outcome-Aware Spectral Feature Learning for Instrumental Variable Regression

• arxiv url: http://arxiv.org/abs/2512.00919v1
• Date: Sun, 30 Nov 2025 14:54:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.498437
• Title: Outcome-Aware Spectral Feature Learning for Instrumental Variable Regression
• Title（参考訳）: インスツルメンタル・バリアブル・レグレッションのためのスペクトル特徴学習のアウトカム・アウェア化
• Authors: Dimitri Meunier, Jakub Wornbard, Vladimir R. Kostic, Antoine Moulin, Alek Fröhlich, Karim Lounici, Massimiliano Pontil, Arthur Gretton,
• Abstract要約: 本稿では,特徴学習プロセスの結果を認識するフレームワークであるAugmented Spectral Feature Learningを紹介する。 我々は、このフレームワークの理論分析を行い、挑戦的なベンチマークに対するアプローチを検証する。
• 参考スコア（独自算出の注目度）: 37.76825470697479
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address the problem of causal effect estimation in the presence of hidden confounders using nonparametric instrumental variable (IV) regression. An established approach is to use estimators based on learned spectral features, that is, features spanning the top singular subspaces of the operator linking treatments to instruments. While powerful, such features are agnostic to the outcome variable. Consequently, the method can fail when the true causal function is poorly represented by these dominant singular functions. To mitigate, we introduce Augmented Spectral Feature Learning, a framework that makes the feature learning process outcome-aware. Our method learns features by minimizing a novel contrastive loss derived from an augmented operator that incorporates information from the outcome. By learning these task-specific features, our approach remains effective even under spectral misalignment. We provide a theoretical analysis of this framework and validate our approach on challenging benchmarks.
• Abstract（参考訳）: 非パラメトリックインスツルメンタル変数(IV)回帰を用いた隠れた共同創設者の存在下での因果効果推定の問題に対処する。 確立されたアプローチは、学習されたスペクトル特徴、すなわち演算子の最上特異部分空間にまたがる特徴に基づく推定器を使用することである。 強力ではあるが、そのような機能は結果変数に依存しない。 したがって、真の因果関数がこれらの支配的な特異関数によって表現されていないときに失敗する。 本稿では,特徴学習プロセスの成果を意識するフレームワークであるAugmented Spectral Feature Learningを紹介する。 提案手法は,結果から情報を取り入れた拡張演算子から得られる,新たなコントラスト損失を最小化することによって特徴を学習する。 これらの課題に特有な特徴を学習することで、スペクトルの誤認識の下でも、我々のアプローチは有効である。 我々は、このフレームワークの理論分析を行い、挑戦的なベンチマークに対するアプローチを検証する。

関連論文リスト

• Demystifying Spectral Feature Learning for Instrumental Variable Regression [21.514407689434364]
  スペクトル特徴に基づく2段最小二乗推定器の一般化誤差を導出する。 パフォーマンスは2つの重要な要因に依存しており、結果の明確な分類につながります。
  論文  参考訳（メタデータ） (2025-06-12T17:06:43Z)
• Outcome-Based Online Reinforcement Learning: Algorithms and Fundamental Limits [58.63897489864948]
  結果に基づくフィードバックによる強化学習は、根本的な課題に直面します。 適切なアクションにクレジットを割り当てるには? 本稿では,一般関数近似を用いたオンラインRLにおけるこの問題の包括的解析を行う。
  論文  参考訳（メタデータ） (2025-05-26T17:44:08Z)
• Iterative Feature Boosting for Explainable Speech Emotion Recognition [17.568724398229232]
  本稿では,効率的な特徴工学手法に基づく新しい教師付きSER手法を提案する。 特徴の関連性を評価し,特徴セットを洗練させるために,結果の説明可能性に特に注意を払っている。 提案手法は,TESSデータセット上での感情認識において,ヒトレベルのパフォーマンス(HLP)および最先端の機械学習手法より優れる。
  論文  参考訳（メタデータ） (2024-05-30T15:44:27Z)
• Offline Reinforcement Learning with Differentiable Function Approximation is Provably Efficient [65.08966446962845]
  歴史的データを用いて意思決定戦略を最適化することを目的としたオフライン強化学習は、現実の応用に広く適用されている。 微分関数クラス近似(DFA)を用いたオフライン強化学習の検討から一歩踏み出した。 最も重要なことは、悲観的な適合Q-ラーニングアルゴリズムを解析することにより、オフライン微分関数近似が有効であることを示すことである。
  論文  参考訳（メタデータ） (2022-10-03T07:59:42Z)
• Causal Inference with Treatment Measurement Error: A Nonparametric Instrumental Variable Approach [24.52459180982653]
  原因が誤りである場合の因果効果に対するカーネルベースの非パラメトリック推定器を提案する。 提案手法であるMEKIVは,測定誤差の強度変化の下で,ベースラインを改良し,頑健であることを示す。
  論文  参考訳（メタデータ） (2022-06-18T11:47:25Z)
• Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
  本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。 このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
  論文  参考訳（メタデータ） (2022-06-01T23:26:51Z)
• Estimating Structural Target Functions using Machine Learning and Influence Functions [103.47897241856603]
  統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。 このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。 我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
  論文  参考訳（メタデータ） (2020-08-14T16:48:29Z)

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。