論文の概要: Causal Effect Estimation with Latent Textual Treatments

• arxiv url: http://arxiv.org/abs/2602.15730v1
• Date: Tue, 17 Feb 2026 17:06:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.135515
• Title: Causal Effect Estimation with Latent Textual Treatments
• Title（参考訳）: 潜在的テキスト処理による因果効果の推定
• Authors: Omri Feldman, Amar Venugopal, Jann Spiess, Amir Feder,
• Abstract要約: 本稿では,テキスト介入の発生と因果推定のためのエンドツーエンドパイプラインを提案する。 我々の研究はまず、スパースオートエンコーダ(SAE)による仮説生成とステアリングを行い、続いて堅牢な因果推定を行った。
• 参考スコア（独自算出の注目度）: 9.451877252547197
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the causal effects of text on downstream outcomes is a central task in many applications. Estimating such effects requires researchers to run controlled experiments that systematically vary textual features. While large language models (LLMs) hold promise for generating text, producing and evaluating controlled variation requires more careful attention. In this paper, we present an end-to-end pipeline for the generation and causal estimation of latent textual interventions. Our work first performs hypothesis generation and steering via sparse autoencoders (SAEs), followed by robust causal estimation. Our pipeline addresses both computational and statistical challenges in text-as-treatment experiments. We demonstrate that naive estimation of causal effects suffers from significant bias as text inherently conflates treatment and covariate information. We describe the estimation bias induced in this setting and propose a solution based on covariate residualization. Our empirical results show that our pipeline effectively induces variation in target features and mitigates estimation error, providing a robust foundation for causal effect estimation in text-as-treatment settings.
• Abstract（参考訳）: 下流結果に対するテキストの因果的影響を理解することは、多くのアプリケーションにおいて中心的な課題である。 このような効果を推定するには、研究者はテキストの特徴を体系的に変化させる制御された実験を実行する必要がある。 大規模言語モデル(LLM)はテキスト生成の約束を保っているが、制御されたバリエーションの生成と評価には注意が必要である。 本稿では,テキスト介入の発生と因果推定のためのエンドツーエンドパイプラインを提案する。 我々の研究はまず、スパースオートエンコーダ(SAE)による仮説生成とステアリングを行い、続いて堅牢な因果推定を行った。 我々のパイプラインは、テキスト・アズ・ア・トリーメント実験における計算的および統計的課題に対処する。 テキストが本質的に処理や共変情報を混同しているため,因果効果の素因推定には大きなバイアスが伴うことが実証された。 この設定で誘導される推定バイアスを記述し、共変量残差化に基づく解を提案する。 実験結果から,本パイプラインはターゲット特徴の変化を効果的に誘導し,推定誤差を軽減し,テキスト・アズ・ア・トリーメント・セッティングにおける因果効果推定のための堅牢な基盤を提供することが示された。

関連論文リスト

• Text Rationalization for Robust Causal Effect Estimation [4.125187280299246]
  高次元テキストは因果同定と推定に固有の課題を提起する。 冗長または刺激的なテキストの特徴は次元性を増し、極端な確率スコア、不安定な重み、効果推定における膨らませられたばらつきを生み出す。 トークンの少ないサブセットを選択するフレームワークであるConfounding-Aware Token Rationalization (CATR)を用いて,これらの課題に対処する。
  論文  参考訳（メタデータ） (2025-12-05T02:18:45Z)
• CausalPFN: Amortized Causal Effect Estimation via In-Context Learning [19.54034651361769]
  CausalPFNは、ボックスから新しい観測データセットに因果効果を推測する。 提案手法は,不均一および平均処理効果評価ベンチマークにおいて,優れた平均性能を実現する。 CausalPFNはベイズ原理に基づく信頼性の高い意思決定を支援するために、校正された不確実性推定を提供する。
  論文  参考訳（メタデータ） (2025-06-09T16:31:06Z)
• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• Black Box Causal Inference: Effect Estimation via Meta Prediction [56.277798874118425]
  因果推論はデータセットレベルの予測問題であり,アルゴリズム設計を学習プロセスにオフロードする。 我々は,ブラックボックス因果推論 (BBCI) と呼ばれる,サンプルデータセットと効果ペアの因果効果の予測を学習することにより,ブラックボックス方式で推定器を構築する。 我々は,いくつかの因果推論問題に対して,BBCIを用いた平均治療効果(ATE)と条件平均治療効果(CATE)を正確に推定した。
  論文  参考訳（メタデータ） (2025-03-07T23:43:19Z)
• End-To-End Causal Effect Estimation from Unstructured Natural Language Data [23.484226791467478]
  本研究では,大規模言語モデル(LLM)を用いて,多種多様なテキストデータをマイニングして,安価な因果効果推定を行う方法を示す。 NATURALは,LLMを用いて構築され,非構造化テキストのデータセット上で動作する因果効果推定器である。 この結果から、非構造化テキストデータは因果効果情報の豊富な情報源であり、NATURALはこのリソースを利用するための自動パイプラインへの第一歩であることを示唆した。
  論文  参考訳（メタデータ） (2024-07-09T16:38:48Z)
• Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation [137.3520153445413]
  下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。 我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。 研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
  論文  参考訳（メタデータ） (2023-07-11T02:58:10Z)
• 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)
• Causal Effect Estimation using Variational Information Bottleneck [19.6760527269791]
  因果推論とは、介入が適用されるときの因果関係における因果効果を推定することである。 変分情報ボトルネック(CEVIB)を用いて因果効果を推定する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T13:46:12Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)

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。