Fugu-MT 論文翻訳(概要): Estimating Aleatoric Uncertainty in the Causal Treatment Effect

論文の概要: Estimating Aleatoric Uncertainty in the Causal Treatment Effect

arxiv url: http://arxiv.org/abs/2602.08461v1
Date: Mon, 09 Feb 2026 10:11:32 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-10 20:26:25.161675
Title: Estimating Aleatoric Uncertainty in the Causal Treatment Effect
Title（参考訳）: 因果治療効果におけるアレータリック不確かさの推定
Authors: Liyuan Xu, Bijan Mazaheri,
Abstract要約: 本研究は,治療応答に固有のアレータリック不確かさの自然な尺度として,治療効果のばらつき(VTE)と治療効果の条件分散(CVTE)を紹介した。これらの量は、観測されたデータから、観測されていない共同創設者の存在下においても、軽微な仮定で特定可能であることを実証する。
参考スコア（独自算出の注目度）: 4.106464332077651
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Previous work on causal inference has primarily focused on averages and conditional averages of treatment effects, with significantly less attention on variability and uncertainty in individual treatment responses. In this paper, we introduce the variance of the treatment effect (VTE) and conditional variance of treatment effect (CVTE) as the natural measure of aleatoric uncertainty inherent in treatment responses, and we demonstrate that these quantities are identifiable from observed data under mild assumptions, even in the presence of unobserved confounders. We further propose nonparametric kernel-based estimators for VTE and CVTE, and our theoretical analysis establishes their convergence. We also test the performance of our method through extensive empirical experiments on both synthetic and semi-simulated datasets, where it demonstrates superior or comparable performance to naive baselines.
Abstract（参考訳）: 因果推論に関するこれまでの研究は、主に治療効果の平均と条件平均に焦点を当てており、個々の治療反応のばらつきや不確実性にはかなり注意を払っていない。本稿では,治療応答に固有のアレータリック不確かさの自然な尺度として,治療効果のばらつき(VTE)と治療効果の条件分散(CVTE)を紹介する。さらに、VTEおよびCVTEのための非パラメトリックカーネルベース推定器を提案し、その収束性を確立する。また,合成データと半シミュレーションデータの両方を用いて実験を行い,本手法の性能試験を行った。

関連論文リスト

Deep Disentangled Representation Network for Treatment Effect Estimation [17.787544758117377]
観察データから個々のレベルの治療効果を推定することは因果推論の根本的な問題である。本稿では,多面的注意を伴う専門家の混在を考慮した新しい治療効果推定アルゴリズムを提案する。我々は、公開半合成および実世界の両方の生産データセットについて広範な実験を行う。
論文参考訳（メタデータ） (2025-07-09T08:29:37Z)
Flexible Nonparametric Inference for Causal Effects under the Front-Door Model [2.6900047294457683]
本研究では, 平均治療効果, 平均治療効果の両面から, 新規な1段階, 目標最小損失ベース推定装置を開発した。我々の推定器は観測されたデータ分布のパラメータ化に基づいて構築され、メディエータ密度を完全に回避するアプローチを含む。因果効果推定器の効率を向上させるためにこれらの制約をどのように活用できるかを示す。
論文参考訳（メタデータ） (2023-12-15T22:04:53Z)
On Testability of the Front-Door Model via Verma Constraints [7.52579126252489]
フロントドア基準は、測定されていない共同設立者にもかかわらず因果関係を識別し、計算するために用いられる。主要な仮定 -- 結果に対する治療の効果を完全に媒介する変数の存在と、類似したコンバウンディングの問題に同時に苦しめられていない変数の存在は、しばしば許し難いものとみなされる。補助変数を含む穏やかな条件下では, 一般等式制約により, フロントドアモデルに符号化された仮定を検証できることを示す。
論文参考訳（メタデータ） (2022-03-01T00:38:29Z)
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)
Causal Effect Variational Autoencoder with Uniform Treatment [50.895390968371665]
因果効果変動オートエンコーダ(CEVAE)をトレーニングし、観察処理データから結果を予測する。均一処理変分オートエンコーダ (UTVAE) は, 重要サンプリングを用いて均一な処理分布を訓練する。
論文参考訳（メタデータ） (2021-11-16T17:40:57Z)
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)
Conditional Distributional Treatment Effect with Kernel Conditional Mean Embeddings and U-Statistic Regression [20.544239209511982]
条件付き分布処理効果(CoDiTE) CoDiTEは平均を超える治療の分布側面を符号化する。合成,半合成,実データに関する実験は,このアプローチのメリットを示している。
論文参考訳（メタデータ） (2021-02-16T15:09:23Z)
Confounding Feature Acquisition for Causal Effect Estimation [6.174721516017138]
我々は,この課題を因果推論のための特徴獲得の問題として捉えている。我々のゴールは、効率的な平均治療効果の推定につながるサンプルにおいて、行方不明の共同創業者の固定的で既知のサブセットの取得値を優先順位付けすることです。
論文参考訳（メタデータ） (2020-11-17T16:28:43Z)
Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文参考訳（メタデータ） (2020-06-14T01:15:00Z)
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)
On the role of surrogates in the efficient estimation of treatment effects with limited outcome data [43.17788100119767]
一次利害関係にない結果のみを代理する単位にデータを組み込むことは、ATE推定の精度を高めることができる。我々は,これらの効率向上を実現するために,ロバストなATE推定と推論手法を開発した。
論文参考訳（メタデータ） (2020-03-27T13:31:49Z)

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。