論文の概要: Decomposing Epistemic Uncertainty for Causal Decision Making

• arxiv url: http://arxiv.org/abs/2601.22736v1
• Date: Fri, 30 Jan 2026 09:18:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.340874
• Title: Decomposing Epistemic Uncertainty for Causal Decision Making
• Title（参考訳）: 因果判定のための難治性難聴の解離
• Authors: Md Musfiqur Rahman, Ziwei Jiang, Hilaf Hasson, Murat Kocaoglu,
• Abstract要約: 観測データからの因果推論は、高価なランダム化試行を行うことなく、意思決定において最良の行動を示す強力な証拠となる。 近年の研究では、ニューラルネットワークを用いて、そのような因果効果の実践的な境界を求めており、しばしば難解な問題である。 本稿では,経験的観測分布に関する信頼度を考慮し,この問題に対処する新しい枠組みを提案する。
• 参考スコア（独自算出の注目度）: 24.553201861455477
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal inference from observational data provides strong evidence for the best action in decision-making without performing expensive randomized trials. The effect of an action is usually not identifiable under unobserved confounding, even with an infinite amount of data. Recent work uses neural networks to obtain practical bounds to such causal effects, which is often an intractable problem. However, these approaches may overfit to the dataset and be overconfident in their causal effect estimates. Moreover, there is currently no systematic approach to disentangle how much of the width of causal effect bounds is due to fundamental non-identifiability versus how much is due to finite-sample limitations. We propose a novel framework to address this problem by considering a confidence set around the empirical observational distribution and obtaining the intersection of causal effect bounds for all distributions in this confidence set. This allows us to distinguish the part of the interval that can be reduced by collecting more samples, which we call sample uncertainty, from the part that can only be reduced by observing more variables, such as latent confounders or instrumental variables, but not with more data, which we call non-ID uncertainty. The upper and lower bounds to this intersection are obtained by solving min-max and max-min problems with neural causal models by searching over all distributions that the dataset might have been sampled from, and all SCMs that entail the corresponding distribution. We demonstrate via extensive experiments on synthetic and real-world datasets that our algorithm can determine when collecting more samples will not help determine the best action. This can guide practitioners to collect more variables or lean towards a randomized study for best action identification.
• Abstract（参考訳）: 観測データからの因果推論は、高価なランダム化試行を行うことなく、意思決定において最良の行動を示す強力な証拠となる。 アクションの効果は通常、無限の量のデータであっても、観測されていないコンファウンディングの下では識別できない。 近年の研究では、ニューラルネットワークを用いて、そのような因果効果の実践的な境界を求めており、しばしば難解な問題である。 しかしながら、これらのアプローチはデータセットに過度に適合し、因果効果の推定に過度に信頼される可能性がある。 さらに、現在、因果効果の幅のどれだけが基本的非識別性によるものかと有限サンプル制限によるものであるかを区別する体系的なアプローチは存在しない。 本稿では,経験的観測分布に関する信頼度を考慮し,すべての分布に対する因果効果境界の交点を求めることによって,この問題に対処する新しい枠組みを提案する。 これにより、サンプル不確実性(サンプル不確実性)と呼ばれる、より多くのサンプルを収集することで削減できる間隔の一部と、潜伏した共同設立者や器楽変数といったより多くの変数を観察することでのみ削減できる部分とを区別することができるが、それ以外は非ID不確実性(non-ID uncertainty)と呼ぶ。 この交点への上限と下限は、データセットがサンプリングしたかもしれない全ての分布と対応する分布を含む全てのSCMを探索することにより、神経因果モデルを用いて、min-maxとmax-minの問題を解くことによって得られる。 合成および実世界のデータセットに関する広範な実験を通じて、より多くのサンプルを収集しても最良の行動が決定できないかどうかをアルゴリズムが決定できることを実証する。 これにより、実践者はより多くの変数を収集したり、最高の行動識別のためのランダムな研究に傾けることができる。

関連論文リスト

• Size-adaptive Hypothesis Testing for Fairness [8.315080617799445]
  我々は、公正性評価を証拠に基づく統計的決定に変換する統一的、サイズ適応的、仮説テストフレームワークを導入する。 統計的パリティ差に対して中央限の結果が証明され、解析的信頼区間と、タイプI(偽陽性)エラーがレベル$alpha$で保証されるウォルド試験が導かれる。 小さな交叉群の長い尾に対して、完全ベイズ的ディリクレ・マルチノミカル推定器を導出する。
  論文  参考訳（メタデータ） (2025-06-12T11:22:09Z)
• A Sample Efficient Conditional Independence Test in the Presence of Discretization [54.047334792855345]
  離散化されたデータに直接条件付き独立テスト(CI)は、誤った結論につながる可能性がある。 最近の進歩は、観測データをバイナライズすることで、潜伏変数間の適切なCI関係を推測することを目指している。 そこで本研究では,バイナライゼーションプロセスに依存しないサンプル効率のCIテストを提案する。
  論文  参考訳（メタデータ） (2025-06-10T12:41:26Z)
• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• Approximate Causal Effect Identification under Weak Confounding [13.552959043816482]
  因果効果の上下境界を導出する効率的な線形プログラムを提案する。 我々の境界は、観測されていない共同設立者のエントロピーがゼロになるにつれて、上界と下界の間のギャップが消えるという意味で一貫していることが示される。
  論文  参考訳（メタデータ） (2023-06-22T23:35:49Z)
• 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)
• Causal Discovery via Conditional Independence Testing with Proxy Variables [35.3493980628004]
  潜伏した共同設立者のような未観測変数の存在は、条件付き独立テストにバイアスをもたらす可能性がある。 本研究では,連続変数に対する因果関係の存在を効果的に検証できる仮説テスト手法を提案する。
  論文  参考訳（メタデータ） (2023-05-09T09:08:39Z)
• Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
  本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。 汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-28T11:07:59Z)
• 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)
• MissDeepCausal: Causal Inference from Incomplete Data Using Deep Latent Variable Models [14.173184309520453]
  因果推論の最先端の手法は、欠落した値を考慮していない。 欠落したデータは、適応された未確立仮説を必要とする。 欠落した値に適応した変分オートエンコーダを通じて分布を学習する潜在的共同設立者について考察する。
  論文  参考訳（メタデータ） (2020-02-25T12:58:07Z)

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。