論文の概要: Conditional Counterfactual Mean Embeddings: Doubly Robust Estimation and Learning Rates

• arxiv url: http://arxiv.org/abs/2602.04736v1
• Date: Wed, 04 Feb 2026 16:40:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.631879
• Title: Conditional Counterfactual Mean Embeddings: Doubly Robust Estimation and Learning Rates
• Title（参考訳）: 条件付き対物平均埋め込み:2倍のロバスト推定と学習率
• Authors: Thatchanon Anancharoenkij, Donlapark Ponnoprat,
• Abstract要約: 実測結果の条件分布をヒルベルト空間(RKHS)に埋め込む枠組みを提案する。 本フレームワークでは,RKHS値の回帰を考慮したCCME用2段階メタ推定器を開発した。 本実験は,条件付き対実分布のマルチモーダル構造を含む分布特性を精度良く再現できることを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A complete understanding of heterogeneous treatment effects involves characterizing the full conditional distribution of potential outcomes. To this end, we propose the Conditional Counterfactual Mean Embeddings (CCME), a framework that embeds conditional distributions of counterfactual outcomes into a reproducing kernel Hilbert space (RKHS). Under this framework, we develop a two-stage meta-estimator for CCME that accommodates any RKHS-valued regression in each stage. Based on this meta-estimator, we develop three practical CCME estimators: (1) Ridge Regression estimator, (2) Deep Feature estimator that parameterizes the feature map by a neural network, and (3) Neural-Kernel estimator that performs RKHS-valued regression, with the coefficients parameterized by a neural network. We provide finite-sample convergence rates for all estimators, establishing that they possess the double robustness property. Our experiments demonstrate that our estimators accurately recover distributional features including multimodal structure of conditional counterfactual distributions.
• Abstract（参考訳）: 不均一な処理効果の完全な理解には、潜在的な結果の完全な条件分布を特徴づけることが含まれる。 そこで本研究では, 実測結果の条件分布を再現カーネルHilbert空間(RKHS)に埋め込む, CCME(Conditional Counterfactual Mean Embeddings)を提案する。 本フレームワークでは,RKHS値の回帰を考慮したCCME用2段階メタ推定器を開発した。 このメタ推定器に基づき,(1)リッジ回帰推定器,(2)ニューラルネットワークによる特徴マップのパラメータ化を行うディープ特徴推定器,(3)RKHS評価回帰を行うニューラルカーネル推定器の3つの実用的なCCME推定器を開発した。 すべての推定器に対して有限サンプル収束率を与え、それらが二重ロバスト性を持つことを示す。 本実験は,条件付き対実分布のマルチモーダル構造を含む分布特性を精度良く再現できることを実証する。

関連論文リスト

• C-kNN-LSH: A Nearest-Neighbor Algorithm for Sequential Counterfactual Inference [18.510457926165373]
  経時的軌跡から因果効果を推定することは、複雑な状態の進行の理解の中心である。 シーケンシャル因果推論のための最寄りのフレームワークであるemphC-kNN-LSHを紹介する。
  論文  参考訳（メタデータ） (2026-02-02T17:35:57Z)
• Direct Doubly Robust Estimation of Conditional Quantile Contrasts [8.035129168712334]
  条件量子コンパレータ(CQC)は条件量子処理効果(CQTE)に類似した条件量子レベルの要約を提供する 電流推定は、まず条件付き累積分布関数の差を推定し、逆推定する必要性によって制限される。 我々はCQCの最初の直接推定器を提案し、明示的なモデリングとパラメータ化を可能にした。
  論文  参考訳（メタデータ） (2026-01-27T14:46:25Z)
• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• Doubly-Robust Estimation of Counterfactual Policy Mean Embeddings [23.3862001690226]
  反ファクトポリシーの下での成果の分配を推定することは、推薦、広告、医療といった領域における意思決定にとって重要である。 再生カーネル空間(RKHS)における反事実分布全体を表す新しいフレームワーク-Counterfactual Policy Mean Embedding(CPME)を提案する。 プラグイン推定器と2倍頑健な推定器の両方を導入し、後者は結果埋め込みモデルと確率モデルの両方においてバイアスを補正することで収束率の向上を享受する。
  論文  参考訳（メタデータ） (2025-06-03T12:16:46Z)
• NeuralSurv: Deep Survival Analysis with Bayesian Uncertainty Quantification [42.418429168532406]
  我々はベイズの不確実性定量化を取り入れた最初のディープサバイバルモデルであるNeuralSurvを紹介する。 モデルサイズを線形にスケールする座標アセット更新を用いた平均場変分アルゴリズムを導入する。 実験では、NeuralSurvは最先端のディープサバイバルモデルよりも優れたキャリブレーションを提供する。
  論文  参考訳（メタデータ） (2025-05-16T09:53:21Z)
• KANITE: Kolmogorov-Arnold Networks for ITE estimation [3.087385668501741]
  因果推論における複数の処理条件下での個別処理効果(ITE)推定にコルモゴロフ・アルノルドネットワーク(KAN)を利用するフレームワークであるKanITEを紹介する。
  論文  参考訳（メタデータ） (2025-03-18T05:16:36Z)
• Improving Neural Additive Models with Bayesian Principles [54.29602161803093]
  ニューラル加算モデル(NAM)は、個別の加算サブネットワークでキャリブレーションされた入力特徴を扱うことにより、ディープニューラルネットワークの透明性を高める。 本研究では,Laplace-approximated NAM (LA-NAMs) を開発した。
  論文  参考訳（メタデータ） (2023-05-26T13:19:15Z)
• Distributional Reinforcement Learning with Dual Expectile-Quantile Regression [51.87411935256015]
  分布RLに対する量子レグレッションアプローチは、任意の戻り分布を柔軟かつ効果的に学習する方法を提供する。 我々は,分布推定が消失することを示し,推定分布が急速に平均に崩壊することを実証的に観察した。 我々は,$L$の学習効率に感化され,効率のよい学習方法として,返却分布の期待値と量子値を共同で学習することを提案する。
  論文  参考訳（メタデータ） (2023-05-26T12:30:05Z)
• Distribution Regression with Sliced Wasserstein Kernels [45.916342378789174]
  分布回帰のための最初のOTに基づく推定器を提案する。 このような表現に基づくカーネルリッジ回帰推定器の理論的性質について検討する。
  論文  参考訳（メタデータ） (2022-02-08T15:21:56Z)
• Exact Recovery in the General Hypergraph Stochastic Block Model [92.28929858529679]
  本稿では,d-uniform hypergraph block model(d-HSBM)の正確な回復の基本的な限界について検討する。 精度の高いしきい値が存在し、正確な回復がしきい値の上に達成でき、その下には不可能であることを示す。
  論文  参考訳（メタデータ） (2021-05-11T03:39:08Z)

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。