論文の概要: CausalWrap: Model-Agnostic Causal Constraint Wrappers for Tabular Synthetic Data
- arxiv url: http://arxiv.org/abs/2603.02015v1
- Date: Mon, 02 Mar 2026 15:59:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.955732
- Title: CausalWrap: Model-Agnostic Causal Constraint Wrappers for Tabular Synthetic Data
- Title（参考訳）: CausalWrap: Tabular Synthetic Dataのためのモデル非依存型Causal Constraint Wrapper
- Authors: Amir Asiaee, Zhuohui J. Liang, Chao Yan,
- Abstract要約: CausalWrapは、事前訓練されたベースジェネレータに部分的な因果知識を注入するモデルに依存しないラッパーである。
CWは、ベースジェネレータからのサンプルに適用された軽量で微分可能なポストホック補正マップを学習する。
CWは多様なベースジェネレータ間の因果性を改善する。
- 参考スコア（独自算出の注目度）: 4.08271266107383
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tabular synthetic data generators are typically trained to match observational distributions, which can yield high conventional utility (e.g., column correlations, predictive accuracy) yet poor preservation of structural relations relevant to causal analysis and out-of-distribution (OOD) reasoning. When the downstream use of synthetic data involves causal reasoning -- estimating treatment effects, evaluating policies, or testing mediation pathways -- merely matching the observational distribution is insufficient: structural fidelity and treatment-mechanism preservation become essential. We propose CausalWrap (CW), a model-agnostic wrapper that injects partial causal knowledge (PCK) -- trusted edges, forbidden edges, and qualitative/monotonic constraints -- into any pretrained base generator (GAN, VAE, or diffusion model), without requiring access to its internals. CW learns a lightweight, differentiable post-hoc correction map applied to samples from the base generator, optimized with causal penalty terms under an augmented-Lagrangian schedule. We provide theoretical results connecting penalty-based optimization to constraint satisfaction and relating approximate factorization to joint distributional control. We validate CW on simulated structural causal models (SCMs) with known ground-truth interventions, semi-synthetic causal benchmarks (IHDP and an ACIC-style suite), and a real-world ICU cohort (MIMIC-IV) with expert-elicited partial graphs. CW improves causal fidelity across diverse base generators -- e.g., reducing average treatment effect (ATE) error by up to 63% on ACIC and lifting ATE agreement from 0.00 to 0.38 on the intensive care unit (ICU) cohort -- while largely retaining conventional utility.
- Abstract（参考訳）: タブラル合成データ生成装置は通常、観測分布に合わせるように訓練されており、これは高効率(例えば、カラム相関、予測精度)が得られるが、因果解析やアウト・オブ・ディストリビューション(OOD)の推論に関連する構造的関係の保存は不十分である。
合成データの下流での使用には、治療効果の推定、政策評価、仲介経路のテストなど、因果推論(英語版)が伴うが、単に観察分布と一致するだけでは不十分である。
本稿では,任意の事前学習ベースジェネレータ (GAN, VAE, 拡散モデル) に部分因果知識 (PCK) -- 信頼エッジ, 禁止エッジ, 定性的制約 -- を注入するモデルに依存しないラッパーであるCausalWrap (CW) を提案する。
CWは、ベースジェネレータからサンプルに適用される軽量で微分可能なポストホック補正マップを学習し、拡張ラグランジアンスケジュールの下で因果ペナルティ項に最適化する。
本稿では,ペナルティに基づく最適化と制約満足度を結びつける理論的結果と,近似因数分解と共同分布制御の関係について述べる。
シミュレーション構造因果モデル (SCM) と, 半合成因果ベンチマーク (IHDPおよびACICスタイルスイート) と, 専門家による部分グラフを用いた実世界ICUコホート (MIMIC-IV) について検証した。
CWは、様々なベースジェネレータ(例えば、平均治療効果(ATE)エラーをACICで最大63%削減し、集中治療ユニット(ICU)コホートでATE合意を0.00から0.38に引き上げるなど、多様なベースジェネレータ間の因果性を改善する。
関連論文リスト
- Controllable Generative Sandbox for Causal Inference [9.416664327739516]
CausalMixは因果推論のための変分生成フレームワークである。
安定した微粒な因果制御を提供しながら、混合型テーブル上で最先端の分散メトリクスを実現する。
転移性キャスティング抵抗性前立腺癌治療における安全性の比較検討において実用的有用性を示した。
論文 参考訳（メタデータ） (2026-03-03T23:37:05Z) - Scalable Contrastive Causal Discovery under Unknown Soft Interventions [3.165716101116899]
本稿では,2つの観測と干渉のペア化のためのスケーラブルな因果探索モデルを提案し,その基礎構造と未知のソフト介入について述べる。
合成データの実験では、因果構造回復の改善、保持された因果機構を持つ未知のグラフへの一般化、より大きなグラフへのスケーラビリティが示されている。
論文 参考訳（メタデータ） (2026-03-03T18:16:16Z) - FlexCausal: Flexible Causal Disentanglement via Structural Flow Priors and Manifold-Aware Interventions [1.7114074082429929]
因果解離表現学習(Causal Disentangled Representation Learning)は、観測から低次元表現を学習し、解離することを目的とする。
本稿では,ブロック対角共分散VAEに基づく新しいCDRLフレームワークFlexCausalを提案する。
本フレームワークは,学習した潜在部分空間と基底-真理因果関係の正確な構造的対応を保証する。
論文 参考訳（メタデータ） (2026-01-29T11:30:53Z) - Learning Causality for Longitudinal Data [1.2691047660244335]
この論文は、高次元の時間変化データにおける因果推論と因果表現学習の手法を開発する。
最初のコントリビューションは、個別処理効果(ITE)を推定するモデルであるCDVAE(Causal Dynamic Variational Autoencoder)の導入である。
第2のコントリビューションでは,Contrastive Predictive Coding (CPC) とInfoMaxによって強化された RNN に基づく長期的反事実回帰のための効率的なフレームワークを提案する。
第3のコントリビューションは、潜伏が観察された変数にどのように現れるかに対処することでCRLを前進させる。
論文 参考訳（メタデータ） (2025-12-04T16:51:49Z) - CausalKANs: interpretable treatment effect estimation with Kolmogorov-Arnold networks [42.852654951995426]
causalKANsは、条件付き平均治療効果(CATE)の神経推定器をコルモゴロフ-アルノルドネットワーク(KAN)に変換するフレームワークである。
プルーニングと記号の単純化を取り入れることで、コーサルカンは予測精度を保ちながら解釈可能な閉形式式を得る。
論文 参考訳（メタデータ） (2025-09-26T15:16:06Z) - Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。
CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。
本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
論文 参考訳（メタデータ） (2025-09-11T13:37:56Z) - A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。
逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。
本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
論文 参考訳（メタデータ） (2025-05-16T17:00:52Z) - On the Role of Surrogates in Conformal Inference of Individual Causal Effects [0.0]
UnderlineEfficient IunderlineNdividual UnderlineCausal UnderlineEffects (SCIENCE) に対する UnderlineSurrogate-assisted Underline Conformal Underline Inference を導入する。
SCIENCEは、個々の治療効果(ITE)に対してより効率的な予測間隔を構築するために設計されたフレームワークである。
これは第3相であるModerna COVE COVID-19ワクチンの臨床試験に適用される。
論文 参考訳（メタデータ） (2024-12-16T21:36:11Z) - Accuracy on the Line: On the Strong Correlation Between
Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。
具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。
また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
論文 参考訳（メタデータ） (2021-07-09T19:48:23Z) - Deconfounding Scores: Feature Representations for Causal Effect
Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。
分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。
特に,この手法が標準正規化の魅力的な代替となることを示す。
論文 参考訳（メタデータ） (2021-04-12T18:50:11Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:01:24Z) - CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。
CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
論文 参考訳（メタデータ） (2020-09-28T09:49:38Z)
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。