論文の概要: A Doubly Robust Machine Learning Approach for Disentangling Treatment Effect Heterogeneity with Functional Outcomes

• arxiv url: http://arxiv.org/abs/2602.11118v1
• Date: Wed, 11 Feb 2026 18:31:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:02.314571
• Title: A Doubly Robust Machine Learning Approach for Disentangling Treatment Effect Heterogeneity with Functional Outcomes
• Title（参考訳）: 二重ロバスト機械学習による機能的アウトカムを考慮した異種処理効果の両立
• Authors: Filippo Salmaso, Lorenzo Testa, Francesca Chiaromonte,
• Abstract要約: FOCaL(Functional Outcome Causal Learning)は機能的不均一処理効果(F-CATE)を推定するために開発された2重頑健なメタラーである。 FOCaLは,F-CATEの直接的かつロバストな推定を可能にする。 FOCaLは、複雑なデータからニュアンス付き個別化された因果効果を推測するために、マシンインテリジェンスの能力を向上させる。
• 参考スコア（独自算出の注目度）: 0.7646713951724009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal inference is paramount for understanding the effects of interventions, yet extracting personalized insights from increasingly complex data remains a significant challenge for modern machine learning. This is the case, in particular, when considering functional outcomes observed over a continuous domain (e.g., time, or space). Estimation of heterogeneous treatment effects, known as CATE, has emerged as a crucial tool for personalized decision-making, but existing meta-learning frameworks are largely limited to scalar outcomes, failing to provide satisfying results in scientific applications that leverage the rich, continuous information encoded in functional data. Here, we introduce FOCaL (Functional Outcome Causal Learning), a novel, doubly robust meta-learner specifically engineered to estimate a functional heterogeneous treatment effect (F-CATE). FOCaL integrates advanced functional regression techniques for both outcome modeling and functional pseudo-outcome reconstruction, thereby enabling the direct and robust estimation of F-CATE. We provide a rigorous theoretical derivation of FOCaL, demonstrate its performance and robustness compared to existing non-robust functional methods through comprehensive simulation studies, and illustrate its practical utility on diverse real-world functional datasets. FOCaL advances the capabilities of machine intelligence to infer nuanced, individualized causal effects from complex data, paving the way for more precise and trustworthy AI systems in personalized medicine, adaptive policy design, and fundamental scientific discovery.
• Abstract（参考訳）: 介入の影響を理解する上で因果推論は最重要であるが、ますます複雑なデータからパーソナライズされた洞察を抽出することは、現代の機械学習にとって重要な課題である。 これは特に、連続領域(例えば、時間、空間)上で観察される関数的な結果を考えるときである。 CATEとして知られる不均一な治療効果の推定は、パーソナライズされた意思決定のための重要なツールとして登場したが、既存のメタラーニングフレームワークは、主にスカラーな結果に限られており、機能データに符号化されたリッチで継続的な情報を活用する科学的応用において満足な結果を提供していない。 本稿では,F-CATE(Functional Outcome Causal Learning)という,機能的ヘテロジニアス処理効果(F-CATE)を推定するために開発された,2重に頑健なメタラーナについて紹介する。 FOCaLは,F-CATEの直接的かつロバストな推定を可能にする。 我々はFOCaLの厳密な理論的導出を行い、その性能とロバストでない機能的手法と比較して総合シミュレーションによる堅牢性を実証し、様々な実世界の機能的データセット上で実用的有用性を示す。 FOCaLは、複雑なデータからニュアンス付き、個別化された因果関係効果を推測し、パーソナライズされた医療、適応ポリシー設計、基本的な科学的発見においてより正確で信頼性の高いAIシステムを実現するために、機械学習の能力を向上させる。

関連論文リスト

• Kernel-based estimators for functional causal effects [1.6749379740049928]
  実験的なFr'echet平均と演算子評価カーネルに基づく因果効果推定器を提案する。 これらの手法は、処理ミス特異性に対する堅牢性を維持しながら、高次元性、逐次順序付け、モデル複雑性の課題に対処する。
  論文  参考訳（メタデータ） (2025-03-06T22:48:55Z)
• Probabilities-Informed Machine Learning [0.0]
  本研究では,出力関数の構造に関するドメイン知識から着想を得たMLパラダイムを提案する。 提案手法は,対象変数の確率的構造を学習プロセスに統合する。 モデル精度を高め、過度な適合と不適合のリスクを軽減する。
  論文  参考訳（メタデータ） (2024-12-16T08:01:22Z)
• A Versatile Influence Function for Data Attribution with Non-Decomposable Loss [3.1615846013409925]
  本稿では,非分解不能な損失を学習した機械学習モデルに対して,直接適用可能なVersatile Influence Function (VIF)を提案する。 VIFはデータ属性の大幅な進歩を表しており、幅広い機械学習パラダイムにまたがる効率的な影響関数ベースの属性を可能にする。
  論文  参考訳（メタデータ） (2024-12-02T09:59:01Z)
• Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
  本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。 オラクル形式は影響関数の一貫した近似であることを示す。 次に、平均二乗誤差の観点から総合収束解析を行う。
  論文  参考訳（メタデータ） (2023-09-22T12:18:53Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• FAStEN: An Efficient Adaptive Method for Feature Selection and Estimation in High-Dimensional Functional Regressions [7.674715791336311]
  本稿では,スパース関数オン・ファンクション回帰問題において特徴選択を行うための,新しい,柔軟な,超効率的なアプローチを提案する。 我々はそれをスカラー・オン・ファンクション・フレームワークに拡張する方法を示す。 AOMIC PIOP1による脳MRIデータへの応用について述べる。
  論文  参考訳（メタデータ） (2023-03-26T19:41:17Z)
• Offline Reinforcement Learning with Differentiable Function Approximation is Provably Efficient [65.08966446962845]
  歴史的データを用いて意思決定戦略を最適化することを目的としたオフライン強化学習は、現実の応用に広く適用されている。 微分関数クラス近似(DFA)を用いたオフライン強化学習の検討から一歩踏み出した。 最も重要なことは、悲観的な適合Q-ラーニングアルゴリズムを解析することにより、オフライン微分関数近似が有効であることを示すことである。
  論文  参考訳（メタデータ） (2022-10-03T07:59:42Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Estimating Structural Target Functions using Machine Learning and Influence Functions [103.47897241856603]
  統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。 このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。 我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
  論文  参考訳（メタデータ） (2020-08-14T16:48:29Z)
• Influence Functions in Deep Learning Are Fragile [52.31375893260445]
  影響関数は、テスト時間予測におけるサンプルの効果を近似する。 影響評価は浅いネットワークでは かなり正確です ヘッセン正則化は、高品質な影響推定を得るために重要である。
  論文  参考訳（メタデータ） (2020-06-25T18:25:59Z)

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。