論文の概要: Addressing Instrument-Outcome Confounding in Mendelian Randomization through Representation Learning
- arxiv url: http://arxiv.org/abs/2602.19782v1
- Date: Mon, 23 Feb 2026 12:38:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-24 17:42:02.810992
- Title: Addressing Instrument-Outcome Confounding in Mendelian Randomization through Representation Learning
- Title（参考訳）: 表現学習によるメンデル的ランダム化における機器出力の対応
- Authors: Shimeng Huang, Matthew Robinson, Francesco Locatello,
- Abstract要約: 本稿では,遺伝的機器の潜伏成分を復元するために,クロス環境不変性を利用した表現学習フレームワークを提案する。
様々な混合機構の下でこれらの潜伏楽器を同定するための理論的保証を提供する。
- 参考スコア（独自算出の注目度）: 23.877249350435793
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mendelian Randomization (MR) is a prominent observational epidemiological research method designed to address unobserved confounding when estimating causal effects. However, core assumptions -- particularly the independence between instruments and unobserved confounders -- are often violated due to population stratification or assortative mating. Leveraging the increasing availability of multi-environment data, we propose a representation learning framework that exploits cross-environment invariance to recover latent exogenous components of genetic instruments. We provide theoretical guarantees for identifying these latent instruments under various mixing mechanisms and demonstrate the effectiveness of our approach through simulations and semi-synthetic experiments using data from the All of Us Research Hub.
- Abstract（参考訳）: Mendelian Randomization (MR) は、因果効果を推定する際、観測不能なコンバウンディングに対処するために設計された顕著な観察的疫学研究手法である。
しかし、中核的な前提、特に楽器と保存されていない共同創設者の独立は、人口階層化や交配によってしばしば破られる。
マルチ環境データの可用性の向上を生かして,遺伝的機器の潜伏する外因性成分を復元するために,クロス環境不変性を利用した表現学習フレームワークを提案する。
我々は,これらの潜伏楽器を様々な混合機構下で同定するための理論的保証を提供し,全Us研究ハブのデータを用いたシミュレーションおよび半合成実験により,本手法の有効性を実証する。
関連論文リスト
- Hierarchical Sparse Bayesian Multitask Model with Scalable Inference for Microbiome Analysis [1.361248247831476]
本稿では,一般的なマルチタスク二元分類学習問題に適用可能な階層型ベイズ的マルチタスク学習モデルを提案する。
後方分布を近似するために,変分推定に基づく計算効率の良い推論アルゴリズムを導出する。
各種合成データセットに対する新しいアプローチの可能性を示し, マイクロバイオームプロファイルに基づくヒトの健康状態の予測を行う。
論文 参考訳（メタデータ） (2025-02-04T18:23:22Z) - Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。
主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。
実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
論文 参考訳（メタデータ） (2024-11-10T16:40:27Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Modelling Heterogeneity Using Bayesian Structured Sparsity [0.0]
観察間で異なる変数の効果を推定する方法は、政治科学において重要な問題です。
本稿では,複雑な現象(同様の現象を離散群に展開する観測)を回帰分析に組み込む共通の方法を提案する。
論文 参考訳（メタデータ） (2021-03-29T19:54:25Z) - 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)
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。