Fugu-MT 論文翻訳(概要): Topological Causal Effects

論文の概要: Topological Causal Effects

arxiv url: http://arxiv.org/abs/2603.02289v1
Date: Mon, 02 Mar 2026 13:47:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-04 21:38:10.503155
Title: Topological Causal Effects
Title（参考訳）: 位相因果効果
Authors: Kwangho Kim, Hajin Lee,
Abstract要約: 我々は、潜在的結果のトポロジカルな構造の違いによる治療効果を定義するトポロジカル因果推論の枠組みを開発する。実験により, 提案手法は多種多様な複雑な結果型にまたがるトポロジカルな処理効果を確実に定量化することを示した。
参考スコア（独自算出の注目度）: 4.002004604568088
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Estimating causal effects is particularly challenging when outcomes arise in complex, non-Euclidean spaces, where conventional methods often fail to capture meaningful structural variation. We develop a framework for topological causal inference that defines treatment effects through differences in the topological structure of potential outcomes, summarized by power-weighted silhouette functions of persistence diagrams. We develop an efficient, doubly robust estimator in a fully nonparametric model, establish functional weak convergence, and construct a formal test of the null hypothesis of no topological effect. Empirical studies illustrate that the proposed method reliably quantifies topological treatment effects across diverse complex outcome types.
Abstract（参考訳）: 因果効果の推定は、複雑な非ユークリッド空間で結果が生じると特に困難である。本研究では,潜在結果のトポロジ的構造の違いによる治療効果を定義するトポロジカル因果推論の枠組みを,永続図のパワー重み付きシルエット関数で要約する。我々は、完全に非パラメトリックなモデルで効率よく2倍頑健な推定器を開発し、機能的弱収束を確立し、位相効果のない零仮説の形式的テストを構築した。実験により,提案手法は多種多様な複雑な結果型にまたがるトポロジカルな処理効果を確実に定量化することを示した。

関連論文リスト

Incorporating structural uncertainty in causal decision making [1.006218778776515]
構造的不確実性が適度に高い場合, 競合する因果構造よりも平均的なモデルの方が有益である。正則性条件下で提案した方法論解の最適性を証明した。我々のフレームワークは、一般的に見過ごされる不確実性の明確な源に対処することで、既存の堅牢な因果推論アプローチを補完する。
論文参考訳（メタデータ） (2025-07-31T12:29:49Z)
Loss-Complexity Landscape and Model Structure Functions [53.92822954974537]
我々はコルモゴロフ構造関数 $h_x(alpha)$ を双対化するためのフレームワークを開発する。情報理論構造と統計力学の数学的類似性を確立する。構造関数と自由エネルギーの間のルジャンドル・フェンシェル双対性を明確に証明する。
論文参考訳（メタデータ） (2025-07-17T21:31:45Z)
Doubly robust estimation of causal effects for random object outcomes with continuous treatments [8.874402662101234]
因果推論は統計学と科学的発見の中心である。現代のアプリケーションは複雑で非ユークリッド的なデータ構造をますます含んでいる。本稿では,非ユークリッドデータに適用した継続的治療による因果推論のための新しい枠組みを提案する。
論文参考訳（メタデータ） (2025-06-28T04:55:12Z)
Do-PFN: In-Context Learning for Causal Effect Estimation [75.62771416172109]
予備データ適合ネットワーク(PFN)は, 合成データに基づいて事前学習を行い, 結果を予測する。提案手法により,基礎となる因果グラフの知識を必要とせず,因果効果の正確な推定が可能となる。
論文参考訳（メタデータ） (2025-06-06T12:43:57Z)
Kernel-based estimators for functional causal effects [1.6749379740049928]
実験的なFr'echet平均と演算子評価カーネルに基づく因果効果推定器を提案する。これらの手法は、処理ミス特異性に対する堅牢性を維持しながら、高次元性、逐次順序付け、モデル複雑性の課題に対処する。
論文参考訳（メタデータ） (2025-03-06T22:48:55Z)
Causality can systematically address the monsters under the bench(marks) [64.36592889550431]
ベンチマークはさまざまなバイアス、アーティファクト、リークに悩まされている。モデルは、調査の不十分な障害モードのため、信頼できない振る舞いをする可能性がある。因果関係はこれらの課題を体系的に解決するための理想的な枠組みを提供します
論文参考訳（メタデータ） (2025-02-07T17:01:37Z)
DAG-aware Transformer for Causal Effect Estimation [0.8192907805418583]
因果推論は、医療、経済学、社会科学などの分野における重要な課題である。本稿では,これらの課題を克服する因果推論のためのトランスフォーマーを用いた新しい手法を提案する。我々のモデルの中核となる革新は、注意機構に直接因果非巡回グラフ(DAG)を統合することである。
論文参考訳（メタデータ） (2024-10-13T23:17:58Z)
Interpretable, multi-dimensional Evaluation Framework for Causal Discovery from observational i.i.d. Data [3.8443430569753025]
観測データからの因果発見は、データ生成プロセスで使用される構造方程式の定式化に厳密な識別可能性の仮定を課す。統合された性能評価フレームワークの欠如により、我々は解釈可能な6次元評価指標、すなわち、最適解の距離(DOS)を導入する。本研究は、7つの異なる家系における構造学習アルゴリズムの性能を、不特定非非線形因果パターンの割合の増加に基づいて評価する最初の研究である。
論文参考訳（メタデータ） (2024-09-28T15:03:49Z)
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)
Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文参考訳（メタデータ） (2021-09-06T14:52:58Z)
A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。