論文の概要: Identification and Estimation under Multiple Versions of Treatment: Mixture-of-Experts Approach

• arxiv url: http://arxiv.org/abs/2601.00287v1
• Date: Thu, 01 Jan 2026 10:03:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.363799
• Title: Identification and Estimation under Multiple Versions of Treatment: Mixture-of-Experts Approach
• Title（参考訳）: 複数の治療版における同定と推定:Mixture-of-Experts アプローチ
• Authors: Kohei Yoshikawa, Shuichi Kawano,
• Abstract要約: そこで我々は,Mixture-of-Expertsフレームワークを因果推論に導入し,潜在バージョンの因果効果を推定するための方法論を開発した。 このアプローチは、バージョンが観察されていない場合でも、バージョン固有の因果効果を明示的に推定することを可能にする。
• 参考スコア（独自算出の注目度）: 1.5469452301122175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Stable Unit Treatment Value Assumption (SUTVA) includes the condition that there are no multiple versions of treatment in causal inference. Though we could not control the implementation of treatment in observational studies, multiple versions may exist in the treatment. It has been pointed out that ignoring such multiple versions of treatment can lead to biased estimates of causal effects, but a causal inference framework that explicitly deals with the unbiased identification and estimation of version-specific causal effects has not been fully developed yet. Thus, obtaining a deeper understanding for mechanisms of the complex treatments is difficult. In this paper, we introduce the Mixture-of-Experts framework into causal inference and develop a methodology for estimating the causal effects of latent versions. This approach enables explicit estimation of version-specific causal effects even if the versions are not observed. Numerical experiments demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: 安定単位治療値推定(SUTVA)には、因果推論における治療の複数のバージョンがないという条件が含まれている。 我々は観察研究における治療実施を制御できなかったが、治療には複数のバージョンが存在する可能性がある。 このような複数の治療法を無視すると因果効果の偏りが生じることが指摘されているが、因果効果の偏りのない同定と推定を明示的に扱う因果推論フレームワークは、まだ完全には開発されていない。 したがって、複雑な治療のメカニズムについてより深い理解を得ることは困難である。 本稿では,Mixture-of-Expertsフレームワークを因果推論に導入し,潜時バージョンの因果効果を推定するための方法論を開発する。 このアプローチは、バージョンが観察されていない場合でも、バージョン固有の因果効果を明示的に推定することを可能にする。 数値実験により提案手法の有効性が示された。

関連論文リスト

• What Makes Treatment Effects Identifiable? Characterizations and Estimators Beyond Unconfoundedness [14.699342649039052]
  平均治療効果の同定を可能にする一般的な条件について検討する。 ATEの同定に十分かつ必要な解釈可能な条件を提供する。 ATEは、事前の作業がキャプチャできないようなレギュレーションで識別可能であることを証明します。
  論文  参考訳（メタデータ） (2025-06-04T17:40:55Z)
• Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner [72.20769640318969]
  医療の安全性と有効性を理解するためには,観測データから因果量の推定が重要である。 医療従事者は、平均因果量の推定だけでなく、治療効果のランダム性をランダムな変数として理解する必要がある。 このランダム性はアレタリック不確実性と呼ばれ、治療効果の利益や量子化の確率を理解するために必要である。
  論文  参考訳（メタデータ） (2024-11-05T18:14:49Z)
• The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation [53.81860494566915]
  既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。 多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。 この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
  論文  参考訳（メタデータ） (2023-09-29T14:33:48Z)
• Identifiable causal inference with noisy treatment and no side information [6.432072145009342]
  本研究では,不正確な連続処理変数を仮定するモデルを提案する。 我々は,提案モデルの因果効果の推定値が,側情報や測定誤差の分散に関する知識がなくても同定可能であることを証明した。 我々の研究は、信頼できる因果推論を行うアプリケーションの範囲を広げている。
  論文  参考訳（メタデータ） (2023-06-18T18:38:10Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)

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。