論文の概要: Causal Effect Estimation with Learned Instrument Representations

• arxiv url: http://arxiv.org/abs/2602.10370v1
• Date: Tue, 10 Feb 2026 23:41:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.34142
• Title: Causal Effect Estimation with Learned Instrument Representations
• Title（参考訳）: 学習機器表現を用いた因果効果推定
• Authors: Frances Dean, Jenna Fields, Radhika Bhalerao, Marie Charpignon, Ahmed Alaa,
• Abstract要約: 本稿では,観測された共変量から楽器表現を構成する表現学習手法を提案する。 ZNetは、因果効果の幅広い下流2段階IV推定器と互換性がある。 このことは、ZNetが一般的な観察設定における因果推論のための Plug-and-play' モジュールとして使用できることを示唆している。
• 参考スコア（独自算出の注目度）: 2.208478014740306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Instrumental variable (IV) methods mitigate bias from unobserved confounding in observational causal inference but rely on the availability of a valid instrument, which can often be difficult or infeasible to identify in practice. In this paper, we propose a representation learning approach that constructs instrumental representations from observed covariates, which enable IV-based estimation even in the absence of an explicit instrument. Our model (ZNet) achieves this through an architecture that mirrors the structural causal model of IVs; it decomposes the ambient feature space into confounding and instrumental components, and is trained by enforcing empirical moment conditions corresponding to the defining properties of valid instruments (i.e., relevance, exclusion restriction, and instrumental unconfoundedness). Importantly, ZNet is compatible with a wide range of downstream two-stage IV estimators of causal effects. Our experiments demonstrate that ZNet can (i) recover ground-truth instruments when they already exist in the ambient feature space and (ii) construct latent instruments in the embedding space when no explicit IVs are available. This suggests that ZNet can be used as a ``plug-and-play'' module for causal inference in general observational settings, regardless of whether the (untestable) assumption of unconfoundedness is satisfied.
• Abstract（参考訳）: 計器変数(IV)法は、観測因果推論において観測されていないコンバウンディングからバイアスを軽減するが、有効な計器の入手に頼っている。 本稿では,観測された共変量から楽器表現を構築するための表現学習手法を提案する。 我々のモデル(ZNet)は、IVsの構造因果モデルを反映したアーキテクチャによってこれを達成し、周囲の特徴空間をコンバウンディングとインストゥルメンタルな構成要素に分解し、有効楽器の定義特性(すなわち、関連性、排他的制限、インストゥルメンタルアンコンファウンデーション)に対応する経験的モーメント条件を強制することによって訓練する。 重要な点として、ZNetは、因果効果の幅広い下流2段階IV推定器と互換性がある。 我々の実験はZNetが実現可能であることを示した。 一 周囲の特徴空間に既に存在するときの地管楽器の回収及び回収 (ii) 明示的なIVが存在しない場合、埋め込み空間に潜時楽器を構築する。 これは、ZNetが一般に観察的な設定において因果推論のための ``plug-and-play'' モジュールとして使用できることを示唆している。

関連論文リスト

• IV Co-Scientist: Multi-Agent LLM Framework for Causal Instrumental Variable Discovery [61.15184885636171]
  内因性変数と結果との相同性の存在下では、インストゥルメンタル変数(IVs)を用いて内因性変数の因果効果を分離する。 大規模言語モデル(LLM)がこの課題に有効かどうかを検討する。 本稿では,多エージェントシステムであるIV Co-Scientistを紹介する。
  論文  参考訳（メタデータ） (2026-02-08T12:28:29Z)
• Disentangled Instrumental Variables for Causal Inference with Networked Observational Data [19.568312273682768]
  本稿では,潜在共同設立者とのネットワーク観測データに基づく因果推論手法を提案する。 DisIVはネットワークの均一性を誘導バイアスとして利用し、遅延IVとして機能する個々の特定の成分を抽出するために構造的非絡み合い機構を用いる。
  論文  参考訳（メタデータ） (2026-02-08T01:45:21Z)
• Flow IV: Counterfactual Inference In Nonseparable Outcome Models Using Instrumental Variables [2.3213238782019316]
  標準IVの仮定の下では、治療と結果における潜伏雑音が厳密に単調で連立ガウス的であるという仮定とともに、治療と成果の関係は観測データから一意に特定される。 これにより、非分離モデルにおいても反ファクト推論が可能となる。 本手法は,観測結果の精度を最大化するために正規化フローをトレーニングすることにより実現し,基礎となる結果関数の正確な回復を実証する。
  論文  参考訳（メタデータ） (2025-08-02T11:24:03Z)
• Offline Action-Free Learning of Ex-BMDPs by Comparing Diverse Datasets [87.62730694973696]
  本稿では,エージェント間の制御可能な特徴ダイナミクスの違いを利用して表現を学習する,サンプル効率のよいアルゴリズムCRAFTを紹介する。 我々はCRAFTの性能を理論的に保証し、おもちゃの例でその実現可能性を示す。
  論文  参考訳（メタデータ） (2025-03-26T22:05:57Z)
• Distributional Instrumental Variable Method [4.34680331569334]
  本研究の目的は介入分布全体を推定することである。 非線形IV設定における生成モデルを用いたDIV(Distributedal Instrumental Variable)法を提案する。
  論文  参考訳（メタデータ） (2025-02-11T15:33:06Z)
• Bounding Causal Effects with Leaky Instruments [6.2316012741781295]
  我々は、$textitleakyのセットを与えられた線形システムで$textitpartial$識別を提供する新しいソリューションを提案する。 我々は,情報漏洩の一般的な形態の下で,平均処理効果を確実にシャープに制限する凸最適化目標を導出する。
  論文  参考訳（メタデータ） (2024-04-05T23:17:25Z)
• FactCHD: Benchmarking Fact-Conflicting Hallucination Detection [64.4610684475899]
  FactCHD は LLM からファクトコンフリクトの幻覚を検出するために設計されたベンチマークである。 FactCHDは、バニラ、マルチホップ、比較、セット操作など、さまざまな事実パターンにまたがる多様なデータセットを備えている。 Llama2 に基づくツール強化 ChatGPT と LoRA-tuning による反射的考察を合成する Truth-Triangulator を提案する。
  論文  参考訳（メタデータ） (2023-10-18T16:27:49Z)
• Conditional Instrumental Variable Regression with Representation Learning for Causal Inference [20.454641170078812]
  本稿では,観測データから因果効果を推定する上での課題について考察する。 本稿では,非保守的共同設立者からの共起バイアスを解消し,観察された共同設立者のバランスをとるために,共起バランス表現学習(CBRL.CIV)による非線形回帰を提案する。
  論文  参考訳（メタデータ） (2023-10-03T08:08:09Z)
• Be Your Own Neighborhood: Detecting Adversarial Example by the Neighborhood Relations Built on Self-Supervised Learning [64.78972193105443]
  本稿では,予測に有効な新しいAE検出フレームワークを提案する。 AEの異常な関係と拡張バージョンを区別して検出を行う。 表現を抽出し、ラベルを予測するために、既製の自己監視学習(SSL)モデルが使用される。
  論文  参考訳（メタデータ） (2022-08-31T08:18:44Z)
• Confident Sinkhorn Allocation for Pseudo-Labeling [40.883130133661304]
  半教師付き学習は、ラベル付きデータへの機械学習の依存を減らす重要なツールである。 本稿では,疑似ラベル作成における不確実性の役割を理論的に研究し,CSA(Confident Sinkhorn Allocation)を提案する。 CSAは、信頼度の高いサンプルのみへの最適な輸送を通して、最高の擬似ラベル割り当てを特定する。
  論文  参考訳（メタデータ） (2022-06-13T02:16:26Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)

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。