論文の概要: Estimating Visual Attribute Effects in Advertising from Observational Data: A Deepfake-Informed Double Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2603.02359v1
• Date: Mon, 02 Mar 2026 20:00:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.529678
• Title: Estimating Visual Attribute Effects in Advertising from Observational Data: A Deepfake-Informed Double Machine Learning Approach
• Title（参考訳）: 観測データからの広告における視覚属性効果の推定:ディープフェイクインフォームドダブル機械学習アプローチ
• Authors: Yizhi Liu, Balaji Padmanabhan, Siva Viswanathan,
• Abstract要約: デジタル広告はますますビジュアルコンテンツに依存しているが、マーケターは、特定の視覚的属性が消費者のエンゲージメントにどのように影響するかを理解するための厳密な方法がない。 本稿では,モデル皮膚のトーンなどの治療が画像自体に埋め込まれた場合の因果効果を推定する,基本的な方法論的課題に対処する。 DML(Double Machine Learning)のような標準的なアプローチはこの設定で失敗する。 DICE-DMLは、ジェネレーティブAIを利用して、共同創設者から治療を遠ざけるフレームワークである。
• 参考スコア（独自算出の注目度）: 3.964305334218188
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Digital advertising increasingly relies on visual content, yet marketers lack rigorous methods for understanding how specific visual attributes causally affect consumer engagement. This paper addresses a fundamental methodological challenge: estimating causal effects when the treatment, such as a model's skin tone, is an attribute embedded within the image itself. Standard approaches like Double Machine Learning (DML) fail in this setting because vision encoders entangle treatment information with confounding variables, producing severely biased estimates. We develop DICE-DML (Deepfake-Informed Control Encoder for Double Machine Learning), a framework that leverages generative AI to disentangle treatment from confounders. The approach combines three mechanisms: (1) deepfake-generated image pairs that isolate treatment variation; (2) DICE-Diff adversarial learning on paired difference vectors, where background signals cancel to reveal pure treatment fingerprints; and (3) orthogonal projection that geometrically removes treatment-axis components. In simulations with known ground truth, DICE-DML reduces root mean squared error by 73-97% compared to standard DML, with the strongest improvement (97.5%) at the null effect point, demonstrating robust Type I error control. Applying DICE-DML to 232,089 Instagram influencer posts, we estimate the causal effect of skin tone on engagement. Standard DML produces diagnostically invalid results (negative outcome R^2), while DICE-DML achieves valid confounding control (R^2 = 0.63) and estimates a marginally significant negative effect of darker skin tone (-522 likes; p = 0.062), substantially smaller than the biased standard estimate. Our framework provides a principled approach for causal inference with visual data when treatments and confounders coexist within images.
• Abstract（参考訳）: デジタル広告はますますビジュアルコンテンツに依存しているが、マーケターは、特定の視覚的属性が消費者のエンゲージメントにどのように影響するかを理解するための厳密な方法がない。 本稿では,モデル皮膚のトーンなどの治療が画像自体に埋め込まれた属性である場合の因果効果を推定する,基本的な方法論的課題に対処する。 DML(Double Machine Learning)のような標準的なアプローチはこの設定で失敗する。 DICE-DML(Deepfake-Informed Control Encoder for Double Machine Learning)を開発した。 本手法は,(1)治療変化を分離するディープフェイク生成画像対,(2)純治療指紋を明らかにするために背景信号がキャンセルされる2つの差分ベクトル上のDICE-Diff対向学習,(3)治療軸成分を幾何学的に除去する直交投影の3つのメカニズムを組み合わせた。 DICE-DMLのシミュレーションでは、標準のDMLと比較してルート平均二乗誤差を73-97%削減し、ヌル効果点において最大の改善(97.5%)を達成し、堅牢なタイプIエラー制御を実証している。 DICE-DMLをInstagramインフルエンサー投稿232,089件に適用し、肌の色がエンゲージメントに与える影響を推定した。 標準DMLは診断的に無効な結果(負の結果R^2)を生成する一方、DICE-DMLは有効なコンバウンディング制御(R^2 = 0.63)を達成し、より暗い肌のトーン(p = 0.062)の極端に有意な負の効果を推定する(p = 0.062)。 我々のフレームワークは、治療や共同創設者が画像内に共存する際の視覚データに対する因果推論に原則化されたアプローチを提供する。

関連論文リスト

• Same Answer, Different Representations: Hidden instability in VLMs [65.36933543377346]
  本稿では,内部埋め込みドリフト,スペクトル感度,構造的滑らかさを計測する表現認識・周波数認識評価フレームワークを提案する。 このフレームワークを,SEEDBench,MMMU,POPEデータセットを対象とする最新のビジョン言語モデル(VLM)に適用する。
  論文  参考訳（メタデータ） (2026-02-06T12:24:26Z)
• Mitigating Multimodal Hallucinations via Gradient-based Self-Reflection [49.26064449816502]
  本研究では,テキスト・視覚バイアスと共起バイアスに対処するために,グラディエントベースのインフルエンス・アウェア制約付きデコーディング(GACD)手法を提案する。 GACDは幻覚を効果的に低減し、MLLM出力の視覚的接地を改善する。
  論文  参考訳（メタデータ） (2025-09-03T08:13:52Z)
• P3Net: Progressive and Periodic Perturbation for Semi-Supervised Medical Image Segmentation [60.08541107831459]
  本研究では,非ラベルデータの学習を支援するために,進行的かつ周期的な摂動機構(P3M)と境界中心の損失を提案する。 提案手法は,2つの2次元および3次元データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-05-21T05:35:28Z)
• Representation Learning Preserving Ignorability and Covariate Matching for Treatment Effects [18.60804431844023]
  観測データから治療効果を推定することは, 隠れたコンバウンディングにより困難である。 隠れた欠点と選択バイアスの両方に対処する共通のフレームワークが欠落している。
  論文  参考訳（メタデータ） (2025-04-29T09:33:56Z)
• Dissecting Representation Misalignment in Contrastive Learning via Influence Function [15.28417468377201]
  コントラスト損失に対する拡張影響関数 (ECIF) を導入し, コントラスト損失に対する影響関数について検討した。 ECIFは正と負の両方のサンプルを考慮し、対照的な学習モデルの閉形式近似を提供する。 我々はECIFに基づいて,データ評価,誤修正検出,誤予測トレースバックタスクのための一連のアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-11-18T15:45:41Z)
• Utilizing Machine Learning and 3D Neuroimaging to Predict Hearing Loss: A Comparative Analysis of Dimensionality Reduction and Regression Techniques [0.0]
  我々は,脳の灰白質3次元画像における難聴閾値を予測するための機械学習アプローチについて検討した。 第1フェーズでは,3次元CNNモデルを用いて,遅延空間への高次元入力を低減した。 第2フェーズでは、このモデルを使用して、リッチな機能への入力を削減した。
  論文  参考訳（メタデータ） (2024-04-30T18:39:41Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Distortion-aware Transformer in 360{\deg} Salient Object Detection [44.74647420381127]
  本稿では,歪み問題に対処するトランスフォーマーモデルDATFormerを提案する。 360degデータの特徴を利用するために,学習可能な関係行列を提案する。 我々のモデルは既存の2D SOD(salient object detection)法と360 SOD法より優れている。
  論文  参考訳（メタデータ） (2023-08-07T07:28:24Z)
• Augment and Criticize: Exploring Informative Samples for Semi-Supervised Monocular 3D Object Detection [64.65563422852568]
  我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。 我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。 3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
  論文  参考訳（メタデータ） (2023-03-20T16:28:15Z)
• Adversarial Distortion Learning for Medical Image Denoising [43.53912137735094]
  本稿では,2次元および3次元(2D/3D)のバイオメディカル画像データから,新たな逆歪み学習法を提案する。 提案されたADLは2つの自動エンコーダで構成されている。 デノイザとディスクリミネータはどちらも、Efficient-Unetと呼ばれる自動エンコーダをベースとしている。
  論文  参考訳（メタデータ） (2022-04-29T13:47:39Z)
• Ab-initio Contrast Estimation and Denoising of Cryo-EM Images [12.807080095995136]
  本稿では,3次元ボリューム情報を用いることなく,ノイズの多い画像から直接コントラスト推定を行う手法を提案する。 単一粒子分析の初期段階においてコントラスト補正が可能であり、下流処理の精度を向上させることができる。
  論文  参考訳（メタデータ） (2022-02-15T21:31:34Z)
• FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
  脳画像合成のための新しい自己教師型学習(FedMed)を提案する。 アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。 提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
  論文  参考訳（メタデータ） (2022-01-29T13:45:39Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)

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。