論文の概要: Deep Doubly Debiased Longitudinal Effect Estimation with ICE G-Computation

• arxiv url: http://arxiv.org/abs/2602.12379v1
• Date: Thu, 12 Feb 2026 20:16:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.733729
• Title: Deep Doubly Debiased Longitudinal Effect Estimation with ICE G-Computation
• Title（参考訳）: ICE G-Computationによる深度2倍の経時効果推定
• Authors: Wenxin Chen, Weishen Pan, Kyra Gan, Fei Wang,
• Abstract要約: シーケンシャルな意思決定には縦断的治療効果の推定が不可欠であるが, 共同ファウンダーのフィードバックにより困難である。 D3-Netは,ICEトレーニングにおける誤りの伝播を軽減し,堅牢な最終補正を行うフレームワークである。 我々のモデルであるD3-Netは、異なる地平線、反事実、時間的差異の偏りと分散を頑健に低減します。
• 参考スコア（独自算出の注目度）: 13.1234934131475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating longitudinal treatment effects is essential for sequential decision-making but is challenging due to treatment-confounder feedback. While Iterative Conditional Expectation (ICE) G-computation offers a principled approach, its recursive structure suffers from error propagation, corrupting the learned outcome regression models. We propose D3-Net, a framework that mitigates error propagation in ICE training and then applies a robust final correction. First, to interrupt error propagation during learning, we train the ICE sequence using Sequential Doubly Robust (SDR) pseudo-outcomes, which provide bias-corrected targets for each regression. Second, we employ a multi-task Transformer with a covariate simulator head for auxiliary supervision, regularizing representations against corruption by noisy pseudo-outcomes, and a target network to stabilize training dynamics. For the final estimate, we discard the SDR correction and instead use the uncorrected nuisance models to perform Longitudinal Targeted Minimum Loss-Based Estimation (LTMLE) on the original outcomes. This second-stage, targeted debiasing ensures robustness and optimal finite-sample properties. Comprehensive experiments demonstrate that our model, D3-Net, robustly reduces bias and variance across different horizons, counterfactuals, and time-varying confoundings, compared to existing state-of-the-art ICE-based estimators.
• Abstract（参考訳）: シーケンシャルな意思決定には縦断的治療効果の推定が不可欠であるが, 共同ファウンダーのフィードバックにより困難である。 反復条件予測(ICE) G-computationは原則的なアプローチを提供するが、再帰的構造はエラーの伝播に悩まされ、学習結果の回帰モデルを劣化させる。 D3-Netは,ICEトレーニングにおける誤りの伝播を軽減し,堅牢な最終補正を行うフレームワークである。 まず、学習中にエラーの伝播を中断するために、逐次二重ロバスト(SDR)擬似アウトカムを用いてICEシーケンスをトレーニングし、各回帰に対してバイアス補正ターゲットを提供する。 第2に、共変量シミュレーターヘッドを備えたマルチタスクトランスフォーマーを用いて、ノイズのある擬似出力による汚職に対する表現を正規化し、トレーニングダイナミクスの安定化を図る。 最終推定では、SDR補正を廃止し、修正されていないニュアンスモデルを用いて、元の結果に対してLTMLE(Longitudinal Targeted Minimum Loss-Based Estimation)を実行する。 この第二段階の目標デバイアスは、ロバスト性および最適有限サンプル特性を保証する。 包括的実験により、我々のモデルであるD3-Netは、既存の最先端ICEベースの推定器と比較して、異なる地平線、反事実、時間変化の相違を頑健に低減することを示した。

関連論文リスト

• The Best of Both Worlds: Hybridizing Neural Operators and Solvers for Stable Long-Horizon Inference [0.0]
  ANCHORは、PDEの安定な長距離予測のためのオンラインのインスタンス対応ハイブリッド推論フレームワークである。 本稿では,ANCHORが長い水平誤差の増大を確実に拘束し,外挿ロールアウトを安定化し,スタンドアロンのニューラル演算子に対するロバスト性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2025-12-22T18:17:28Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• Total Robustness in Bayesian Nonlinear Regression for Measurement Error Problems under Model Misspecification [7.233732121762458]
  一般非線形回帰における3つの課題すべてに対処する完全ロバスト性をターゲットにした最初のベイズ的非パラメトリックフレームワークを提案する。 シミュレーションと実世界の2つの研究では、推定誤差の低減と、誤特定に対する推定感度の低減が示されている。 したがって、このフレームワークは、データとモデルが共同で不完全である場合に、信頼できる回帰のための実用的で解釈可能なパラダイムを提供する。
  論文  参考訳（メタデータ） (2025-10-03T15:58:40Z)
• Dual-Stage Reweighted MoE for Long-Tailed Egocentric Mistake Detection [85.0189917888094]
  本稿では,微妙で頻繁なミスによって生じる課題に対処するため,Dual-Stage Reweighted Mixture-of-Experts (DR-MoE) フレームワークを提案する。 提案手法は,特に稀かつ曖昧な誤りの特定において,高い性能を達成する。
  論文  参考訳（メタデータ） (2025-09-16T12:00:42Z)
• Distributionally Robust Optimization with Adversarial Data Contamination [49.89480853499918]
  凸リプシッツ損失関数を持つ一般化線形モデルに対するワッサーシュタイン-1 DRO 目標の最適化に焦点をあてる。 私たちの主な貢献は、データ汚染のトレーニングに対するロバストネスと分散シフトに対するロバストネスを統合した、新しいモデリングフレームワークです。 この研究は、データ汚染と分散シフトという2つの課題の下で学習するために、効率的な計算によって支援される最初の厳密な保証を確立する。
  論文  参考訳（メタデータ） (2025-07-14T18:34:10Z)
• Primal-Dual Spectral Representation for Off-policy Evaluation [39.24759979398673]
  外部政治評価(OPE)は、強化学習(RL)における最も基本的な問題の1つである。 我々のアルゴリズムであるSpectralDICEは原始的かつ標本効率が高く、その性能は厳密な理論的なサンプル複雑性保証と様々なベンチマークでの徹底的な経験的評価によって支えられている。
  論文  参考訳（メタデータ） (2024-10-23T03:38:31Z)
• DF2: Distribution-Free Decision-Focused Learning [30.288876294435294]
  決定中心学習(DFL)は,予測列最適化問題に対する強力なアプローチとして登場した。 DFLはモデル誤差、サンプル平均近似誤差、近似誤差の3つのボトルネックに直面している。 本稿では,この3つのボトルネックを緩和する決定自由学習手法であるDF2を提案する。
  論文  参考訳（メタデータ） (2023-08-11T00:44:46Z)
• Outlier-robust neural network training: variation regularization meets trimmed loss to prevent functional breakdown [2.5628953713168685]
  我々は,高度に表現力のあるニューラルネットワークを用いた外乱予測モデリングの課題に取り組む。 提案手法は,(1)変換トリミング損失(TTL)と(2)高次変動正規化(HOVR)の2つの重要な要素を統合し,予測関数に滑らかさの制約を課す。
  論文  参考訳（メタデータ） (2023-08-04T12:57:13Z)
• Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
  本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。 学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。 提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-11T23:31:34Z)
• Enhanced Doubly Robust Learning for Debiasing Post-click Conversion Rate Estimation [29.27760413892272]
  クリック後の変換は、ユーザの好みを示す強いシグナルであり、レコメンデーションシステムを構築する上で有益である。 現在、ほとんどの既存の手法は、対実学習を利用してレコメンデーションシステムを破壊している。 本稿では,MRDR推定のための新しい二重学習手法を提案し,誤差計算を一般的なCVR推定に変換する。
  論文  参考訳（メタデータ） (2021-05-28T06:59:49Z)

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。

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。