論文の概要: Causal Identification from Counterfactual Data: Completeness and Bounding Results

• arxiv url: http://arxiv.org/abs/2602.23541v2
• Date: Tue, 03 Mar 2026 20:56:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-05 14:47:28.685843
• Title: Causal Identification from Counterfactual Data: Completeness and Bounding Results
• Title（参考訳）: 実測データからの因果同定:完全性と境界値
• Authors: Arvind Raghavan, Elias Bareinboim,
• Abstract要約: 本研究では,任意のレイヤ3分布の集合から対実的なクエリを識別するアルゴリズムを開発した。 我々は、物理的に実現可能な分布から反事実を特定できる理論的限界を確立する。 我々は、そのような量の新たな解析的境界を、実現可能な対実データを用いて導出する。
• 参考スコア（独自算出の注目度）: 54.147490305295456
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Previous work establishing completeness results for counterfactual identification has been circumscribed to the setting where the input data belongs to observational or interventional distributions (Layers 1 and 2 of Pearl's Causal Hierarchy), since it was generally presumed impossible to obtain data from counterfactual distributions, which belong to Layer 3. However, recent work (Raghavan & Bareinboim, 2025) has formally characterized a family of counterfactual distributions which can be directly estimated via experimental methods - a notion they call counterfactual realizabilty. This leaves open the question of what additional counterfactual quantities now become identifiable, given this new access to (some) Layer 3 data. To answer this question, we develop the CTFIDU+ algorithm for identifying counterfactual queries from an arbitrary set of Layer 3 distributions, and prove that it is complete for this task. Building on this, we establish the theoretical limit of which counterfactuals can be identified from physically realizable distributions, thus implying the fundamental limit to exact causal inference in the non-parametric setting. Finally, given the impossibility of identifying certain critical types of counterfactuals, we derive novel analytic bounds for such quantities using realizable counterfactual data, and corroborate using simulations that counterfactual data helps tighten the bounds for non-identifiable quantities in practice.
• Abstract（参考訳）: 正当性同定のための完全性判定結果を確立する作業は、一般に、第3層に属する反実性分布からデータを得ることができないと推定され、入力データが観測的または介入的分布に属する設定(パールズ・カウンサル・ヒエラルキーのレイヤ1、レイヤ2)に概算されている。 しかし、最近の研究 (Raghavan & Bareinboim, 2025) では、実験手法によって直接推定できる反事実分布の族を公式に特徴付けている。 これによって、新しいレイヤ3データへのアクセスを考えると、どのような偽物量が識別可能になったのかという疑問が浮き彫りになる。 そこで本研究では,任意のレイヤ3分布の集合から対実的なクエリを識別するCTFIDU+アルゴリズムを開発し,その処理が完了したことを示す。 これに基づいて、逆ファクトが物理的に実現可能な分布から特定できる理論的限界を確立し、非パラメトリックな設定における正確な因果推論に対する根本的な限界を示唆する。 最後に、ある重要な種類の偽物を特定することができないことを考慮し、実現可能な偽物データを用いて、そのような量に対する新しい分析境界を導出し、偽物データが実際に特定できない量の境界を締め付けるのに役立つシミュレーションを用いて相関する。

関連論文リスト

• Data-Driven Information-Theoretic Causal Bounds under Unmeasured Confounding [10.590231532335691]
  本研究では,データ駆動型情報理論フレームワークを開発し,条件付き因果関係の同定を行う。 我々の重要な理論的貢献は、観測分布 P(Y | A = a, X = x) と干渉分布 P(Y | do(A = a), X = x) の間の f-分割が、確率スコアのみの関数によって上界であることが示している。 この結果により、外部感度パラメータ、補助変数、完全な構造仕様、結果境界性仮定を必要とせず、観測データから直接条件因果効果を鋭く同定することができる。
  論文  参考訳（メタデータ） (2026-01-23T20:47:48Z)
• Likelihood-Preserving Embeddings for Statistical Inference [0.0]
  現代の機械学習の埋め込みは、高次元データの強力な圧縮を提供する。 本稿では,確率保存型埋め込みの理論を考案する。 ガウス分布とコーシー分布の実験は指数族理論によって予測される鋭い相転移を検証する。
  論文  参考訳（メタデータ） (2025-12-27T16:21:55Z)
• Counterfactual Identifiability via Dynamic Optimal Transport [15.637845261800463]
  我々は、反事実は因果的主張を正当化するために識別可能でなければならないと論じている。 反実的推論に関する最近の研究は、有望な結果を示すが、識別に欠ける。
  論文  参考訳（メタデータ） (2025-10-09T14:45:13Z)
• Counterfactual Realizability [52.85109506684737]
  本稿では, 正規化可能性の定義, 分布からサンプルを抽出する能力を導入し, 任意の反事実分布が実現可能であるかどうかを判定する完全アルゴリズムを開発する。 本稿では、因果的公正さと因果的強化学習のモチベーション例を用いて、この新たな反ファクト的データ収集フレームワークの意義を説明する。
  論文  参考訳（メタデータ） (2025-03-14T20:54:27Z)
• DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
  機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。 我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。 我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
  論文  参考訳（メタデータ） (2024-02-26T11:29:16Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Deep Counterfactual Estimation with Categorical Background Variables [3.04585143845864]
  カウンターファクトクエリは通常、振り返りに"What if?"を問う。 連続的な観測から反事実を推測する新しい手法であるCFQP(CounterFactual Query Prediction)を導入する。 提案手法は,従来利用可能なディープラーニング手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-10-11T22:27:11Z)
• Bounding Counterfactuals under Selection Bias [60.55840896782637]
  本稿では,識別不能なクエリと識別不能なクエリの両方に対処するアルゴリズムを提案する。 選択バイアスによって引き起こされる欠如にもかかわらず、利用可能なデータの可能性は無限であることを示す。
  論文  参考訳（メタデータ） (2022-07-26T10:33:10Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)
• Fair Densities via Boosting the Sufficient Statistics of Exponential Families [72.34223801798422]
  フェアネスのためのデータ前処理にブースティングアルゴリズムを導入する。 私たちのアプローチは、最小限の公平性を確保しながら、より良いデータフィッティングへとシフトします。 実世界のデータに結果の質を示す実験結果が提示される。
  論文  参考訳（メタデータ） (2020-12-01T00:49:17Z)

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。