論文の概要: PIPCFR: Pseudo-outcome Imputation with Post-treatment Variables for Individual Treatment Effect Estimation

• arxiv url: http://arxiv.org/abs/2512.18737v1
• Date: Sun, 21 Dec 2025 13:57:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.482496
• Title: PIPCFR: Pseudo-outcome Imputation with Post-treatment Variables for Individual Treatment Effect Estimation
• Title（参考訳）: PIPCFR:個別処理効果推定のための後処理変数を用いた擬似アウトカム計算
• Authors: Zichuan Lin, Xiaokai Huang, Jiate Liu, Yuxuan Han, Jia Chen, Xiapeng Wu, Deheng Ye,
• Abstract要約: Pseudo-outcome Imputation with Post-treatment Variables for Counterfactual Regression (PIPCFR) を導入する。 我々は、処理後変数の利用に固有の課題を分析し、処理後変数とITE推定精度を明確に結びつける新しいITEリスクの理論的バウンドを確立する。
• 参考スコア（独自算出の注目度）: 19.72208057455035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The estimation of individual treatment effects (ITE) focuses on predicting the outcome changes that result from a change in treatment. A fundamental challenge in observational data is that while we need to infer outcome differences under alternative treatments, we can only observe each individual's outcome under a single treatment. Existing approaches address this limitation either by training with inferred pseudo-outcomes or by creating matched instance pairs. However, recent work has largely overlooked the potential impact of post-treatment variables on the outcome. This oversight prevents existing methods from fully capturing outcome variability, resulting in increased variance in counterfactual predictions. This paper introduces Pseudo-outcome Imputation with Post-treatment Variables for Counterfactual Regression (PIPCFR), a novel approach that incorporates post-treatment variables to improve pseudo-outcome imputation. We analyze the challenges inherent in utilizing post-treatment variables and establish a novel theoretical bound for ITE risk that explicitly connects post-treatment variables to ITE estimation accuracy. Unlike existing methods that ignore these variables or impose restrictive assumptions, PIPCFR learns effective representations that preserve informative components while mitigating bias. Empirical evaluations on both real-world and simulated datasets demonstrate that PIPCFR achieves significantly lower ITE errors compared to existing methods.
• Abstract（参考訳）: 個別治療効果(ITE)の推定は、治療の変化による結果の変化を予測することに焦点を当てる。 観察データにおける根本的な課題は、代替治療で結果の違いを推測する必要があるが、個々の結果が単一の治療でのみ観察できる点である。 既存のアプローチは、推論された擬似アウトカムでトレーニングするか、マッチしたインスタンスペアを作成することによって、この制限に対処する。 しかし、最近の研究は、処理後の変数が結果に与える影響を概ね見落としている。 この監視により、既存の手法が結果のバラツキを完全に把握できなくなり、結果として反事実予測のばらつきが増大する。 本稿では, Pseudo-outcome Imputation with Post-treatment Variables for Counterfactual Regression (PIPCFR)を提案する。 我々は、処理後変数の利用に固有の課題を分析し、処理後変数とITE推定精度を明確に結びつける新しいITEリスクの理論的バウンドを確立する。 これらの変数を無視したり制限的な仮定を課す既存の方法とは異なり、PIPCFRはバイアスを緩和しながら情報的成分を保存する効果的な表現を学ぶ。 実世界のデータセットとシミュレーションデータセットの両方に対する実証的な評価は、PIPCFRが既存の手法に比べてはるかに低いITEエラーを達成していることを示している。

関連論文リスト

• DFW: A Novel Weighting Scheme for Covariate Balancing and Treatment Effect Estimation [0.0]
  観測データから因果効果を推定することは、選択バイアスのため困難である。 本稿では,新しい確率スコアに基づく手法であるDeconfounding Factor Weighting (DFW)を提案する。 DFWは、高度に凝縮したサンプルの影響を緩和しながら、より縮小されたサンプルを優先する。
  論文  参考訳（メタデータ） (2025-08-07T09:51:55Z)
• A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)
• Measuring Variable Importance in Heterogeneous Treatment Effects with Confidence [33.12963161545068]
  因果機械学習は、複雑なデータから個々の治療効果を推定する約束を持っている。 本稿では,条件付き置換法(CPI)に基づくアルゴリズムPermuCATEを提案する。 シミュレーションおよび実世界の健康データセットにおけるPermuCATEの利点を実証的に示す。
  論文  参考訳（メタデータ） (2024-08-23T11:44:07Z)
• Adversarially Balanced Representation for Continuous Treatment Effect Estimation [6.469020202994118]
  本稿では,この処理が連続変数である,より実践的で困難なシナリオについて考察する。 本稿では,KL分散の表現の不均衡を対角的に最小化する対向反事実回帰ネットワーク(ACFR)を提案する。 半合成データセットに対する実験的な評価は、ACFRの最先端手法に対する経験的優位性を実証するものである。
  論文  参考訳（メタデータ） (2023-12-17T00:46:16Z)
• Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
  ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。 この課題に対処するための新しいクロスバリデーションのような方法論を提供する。 本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
  論文  参考訳（メタデータ） (2021-12-14T17:53:01Z)
• 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)
• Learning Decomposed Representation for Counterfactual Inference [53.36586760485262]
  観察データから治療効果を推定する際の根本的な問題は、共同設立者の識別とバランスである。 これまでの方法の多くは、観察されたすべての事前処理変数を共同創設者として扱い、共同創設者と非共同創設者の識別をさらに無視することで、共同ファウンダーのバランスを実現していた。 本研究では,1)共同創設者と非共同創設者の両方の表現を学習することで共同創設者を同定し,2)再重み付け手法のバランスをとるとともに,同時に,反実的推論による観察研究における治療効果を推定する相乗的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-12T09:50:42Z)
• 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。