論文の概要: Generalized Bayes for Causal Inference

• arxiv url: http://arxiv.org/abs/2603.03035v1
• Date: Tue, 03 Mar 2026 14:27:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.836516
• Title: Generalized Bayes for Causal Inference
• Title（参考訳）: 因果推論のための一般化ベイズ
• Authors: Emil Javurek, Dennis Frauen, Yuxin Wang, Stefan Feuerriegel,
• Abstract要約: 不確かさの定量化は、因果機械学習の多くの応用の中心である。 標準的なベイズ的アプローチでは、データ生成プロセスの確率モデルを指定する必要がある。 因果推論のための一般化されたベイズ的枠組みを提案する。
• 参考スコア（独自算出の注目度）: 47.66564705927885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty quantification is central to many applications of causal machine learning, yet principled Bayesian inference for causal effects remains challenging. Standard Bayesian approaches typically require specifying a probabilistic model for the data-generating process, including high-dimensional nuisance components such as propensity scores and outcome regressions. Standard posteriors are thus vulnerable to strong modeling choices, including complex prior elicitation. In this paper, we propose a generalized Bayesian framework for causal inference. Our framework avoids explicit likelihood modeling; instead, we place priors directly on the causal estimands and update these using an identification-driven loss function, which yields generalized posteriors for causal effects. As a result, our framework turns existing loss-based causal estimators into estimators with full uncertainty quantification. Our framework is flexible and applicable to a broad range of causal estimands (e.g., ATE, CATE). Further, our framework can be applied on top of state-of-the-art causal machine learning pipelines (e.g., Neyman-orthogonal meta-learners). For Neyman-orthogonal losses, we show that the generalized posteriors converge to their oracle counterparts and remain robust to first-stage nuisance estimation error. With calibration, we thus obtain valid frequentist uncertainty even when nuisance estimators converge at slower-than-parametric rates. Empirically, we demonstrate that our proposed framework offers causal effect estimation with calibrated uncertainty across several causal inference settings. To the best of our knowledge, this is the first flexible framework for constructing generalized Bayesian posteriors for causal machine learning.
• Abstract（参考訳）: 不確かさの定量化は因果機械学習の多くの応用の中心であるが、因果効果に対するベイズ的推論は依然として困難である。 標準的なベイズ的アプローチは、通常、確率性スコアや結果回帰のような高次元ニュアンス成分を含む、データ生成プロセスの確率モデルを指定する必要がある。 したがって、標準後部は複雑な事前誘導を含む強力なモデリング選択に弱い。 本稿では、因果推論のための一般化されたベイズ的枠組みを提案する。 我々のフレームワークは明確な可能性モデリングを回避し、代わりに、因果推定に直接先行を置き、識別駆動損失関数を用いてそれらを更新し、因果効果の一般化後部を出力する。 その結果,既存の損失に基づく因果推定器を,完全不確実な定量化を伴う推定器に変換した。 我々のフレームワークは柔軟で、幅広い因果推定(例えば、ATE、CATE)に適用できます。 さらに、我々のフレームワークは最先端の因果学習パイプライン(Neyman-orthogonal meta-learnerなど)にも適用できます。 Neyman-orthogonal の損失に対して、一般化された後部はそれらのオラクルに収束し、第一段ニュアンス推定誤差に対して頑健であることを示す。 キャリブレーションにより、ニュアンス推定器がパラメトリックよりも遅い速度で収束しても、有効な頻繁な不確実性が得られる。 実験により,提案手法はいくつかの因果推論設定に対して不確かさを校正して因果効果を推定できることを実証した。 我々の知る限りでは、これは因果機械学習のための一般化ベイズ後部構造を構築するための初めての柔軟なフレームワークである。

関連論文リスト

• Uncertainty Quantification for Regression using Proper Scoring Rules [76.24649098854219]
  CRPS,対数,2乗誤差,2次スコアなど,適切なスコアリングルールに基づく回帰のための統一的UQフレームワークを提案する。 実測パラメトリックな仮定に基づく不確実性尺度に対する閉形式式を導出し、モデルのアンサンブルを用いてそれらを推定する方法を示す。 合成および実世界の回帰データセットに対する広範な評価は、信頼性の高いUQ尺度を選択するためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-09-30T17:52:12Z)
• Bayesian Pliable Lasso with Horseshoe Prior for Interaction Effects in GLMs with Missing Responses [0.0]
  そこで本研究では,馬靴などの疎水性前駆体を主作用と相互作用効果の両方に配置する,信頼性の高いラッソを提案する。 我々の枠組みは、スパース、解釈可能な相互作用構造、および不確実性の原則的尺度を導出する。 本手法は,Githubで公開されている Texttthspliable パッケージに実装されている。
  論文  参考訳（メタデータ） (2025-09-09T08:28:21Z)
• Principled Input-Output-Conditioned Post-Hoc Uncertainty Estimation for Regression Networks [1.4671424999873808]
  不確実性は安全性に敏感なアプリケーションでは重要であるが、予測性能に悪影響を及ぼすため、市販のニューラルネットワークから排除されることが多い。 本稿では,従来の入力と凍結モデルの両方に補助モデルを適用することにより,回帰タスクにおけるポストホック不確実性推定のための理論的基盤となるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-01T09:13:27Z)
• Generalization Certificates for Adversarially Robust Bayesian Linear Regression [16.3368950151084]
  機械学習モデルの逆ロバスト性は、データ摂動下での信頼性の高い性能を保証するために重要である。 近年, 点推定器の進歩が見られ, 分布予測器について考察する。 実および合成データセットの実験は、ベイズ後部の逆向きに頑健な後部の優れた強靭性を示す。
  論文  参考訳（メタデータ） (2025-02-20T06:25:30Z)
• Effective Bayesian Causal Inference via Structural Marginalisation and Autoregressive Orders [16.682775063684907]
  すべての因果モデルに対する因果推論における不確実性の利用について検討する。 構造的辺化を (i) 因果順序上の辺化と (ii) 順序を与えられた非巡回グラフ (DAG) に分解する。 本手法は, 擬似非線形付加雑音ベンチマークにおいて, 構造学習における最先端の手法より優れる。
  論文  参考訳（メタデータ） (2024-02-22T18:39:24Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• 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)
• Robust Bayesian Inference for Berkson and Classical Measurement Error Models [9.712913056924826]
  測定誤差を扱うための非パラメトリックフレームワークを提案する。 古典的誤りモデルとバークソン誤りモデルの両方に適している。 回帰モデルの種類に応じて損失関数の選択に柔軟性を提供する。
  論文  参考訳（メタデータ） (2023-06-02T11:48:15Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)

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。