Fugu-MT 論文翻訳(概要): Controllable Generative Sandbox for Causal Inference

論文の概要: Controllable Generative Sandbox for Causal Inference

arxiv url: http://arxiv.org/abs/2603.03587v1
Date: Tue, 03 Mar 2026 23:37:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-05 21:29:15.125448
Title: Controllable Generative Sandbox for Causal Inference
Title（参考訳）: 因果推論のための制御可能な生成サンドボックス
Authors: Qi Zhang, Harsh Parikh, Ashley Naimi, Razieh Nabi, Christopher Kim, Timothy Lash,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 9.416664327739516
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Method validation and study design in causal inference rely on synthetic data with known counterfactuals. Existing simulators trade off distributional realism, the ability to capture mixed-type and multimodal tabular data, against causal controllability, including explicit control over overlap, unmeasured confounding, and treatment effect heterogeneity. We introduce CausalMix, a variational generative framework that closes this gap by coupling a mixture of Gaussian latent priors with data-type-specific decoders for continuous, binary, and categorical variables. The model incorporates explicit causal controls: an overlap regularizer shaping propensity-score distributions, alongside direct parameterizations of confounding strength and effect heterogeneity. This unified objective preserves fidelity to the observed data while enabling factorial manipulation of causal mechanisms, allowing overlap, confounding strength, and treatment effect heterogeneity to be varied independently at design time. Across benchmarks, CausalMix achieves state-of-the-art distributional metrics on mixed-type tables while providing stable, fine-grained causal control. We demonstrate practical utility in a comparative safety study of metastatic castration-resistant prostate cancer treatments, using CausalMix to compare estimators under calibrated data-generating processes, tune hyperparameters, and conduct simulation-based power analyses under targeted treatment effect heterogeneity scenarios.
Abstract（参考訳）: 因果推論における手法検証と研究設計は、既知の反事実を持つ合成データに依存する。既存のシミュレータは、分散リアリズム、混合型および多モードの表型データをキャプチャする能力、重複の明示的な制御、未測定の欠点、治療効果の不均一性といった因果制御性とをトレードオフする。 CausalMixは、連続変数、バイナリ変数、カテゴリ変数のためのデータ型固有のデコーダとガウスの潜伏先行値の混合を結合することで、このギャップを埋める変分生成フレームワークである。このモデルには明確な因果制御が組み込まれており、重なり合う正規化器は、共起強度と効果の不均一性の直接的なパラメータ化とともに、確率-スコア分布を形成する。この統一された目的は、観測データに対する忠実性を保ちつつ、因果機構の因子的操作を可能にし、重なり合い、矛盾する強度、および処理効果の不均一性を設計時に独立に変化させることができる。ベンチマーク全体を通じて、CausalMixは、安定したきめ細かい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達成する。 CausalMixを用いて、校正されたデータ生成過程における推定値を比較し、ハイパーパラメータをチューニングし、標的とした治療効果の不均一性シナリオ下でシミュレーションに基づく電力分析を行う。

関連論文リスト

CausalWrap: Model-Agnostic Causal Constraint Wrappers for Tabular Synthetic Data [4.08271266107383]
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。
論文参考訳（メタデータ） (2026-03-02T15:59:46Z)
Causal Graph Learning via Distributional Invariance of Cause-Effect Relationship [54.575090553659074]
本研究では,観測変数数の2次複雑性と因果関係を効率的に発見するアルゴリズムを開発した。大規模データセットの様々なベンチマークによる実験は、既存の研究よりも優れた、あるいは同等な性能を示している。
論文参考訳（メタデータ） (2026-02-03T10:26:16Z)
Detecting Batch Heterogeneity via Likelihood Clustering [0.9668407688201359]
バッチエフェクトはゲノム診断の主要な共同創設者である。ベイジアンモデル証拠に従ってサンプルをクラスタリングすることで,両方の制約に対処する手法を提案する。本手法は,標準相関法や次元縮小法と比較して,クラスタリング精度が優れている。
論文参考訳（メタデータ） (2026-01-14T01:49:21Z)
Hybrid Causal Identification and Causal Mechanism Clustering [14.706998903419407]
異種因果関係を推定するための混合変分条件因果推論モデル(MCVCI)を提案する。ハイブリッド付加雑音モデル(HANM)の識別可能性によると、MCVCIはガウス混合モデルとニューラルネットワークの優れた適合能力を組み合わせている。
論文参考訳（メタデータ） (2025-07-29T13:27:15Z)
Penalized Empirical Likelihood for Doubly Robust Causal Inference under Contamination in High Dimensions [0.720409153108429]
低サンプルサイズ方程式における平均処理効果を2倍頑健に推定する手法を提案する。提案した信頼区間は, 競合する推定値と比較して効率がよいことを示す。
論文参考訳（メタデータ） (2025-07-23T11:58:54Z)
Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
論文参考訳（メタデータ） (2025-06-26T09:05:38Z)
Assumption-Lean Post-Integrated Inference with Surrogate Control Outcomes [6.448728765953916]
制御結果を用いて遅延不均一性を調整する頑健なポストインテグレート推論(PII)手法を提案する。我々は、予測された直接効果推定に関する半パラメトリック推論を開発し、隠された仲介者、共同設立者、モデレーターを考慮に入れた。提案された二重頑健な推定器は、最小の仮定と潜在的な不特定性の下で一貫性があり、効率的である。
論文参考訳（メタデータ） (2024-10-07T12:52:38Z)
Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
論文参考訳（メタデータ） (2024-04-24T09:04:36Z)
Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。この問題を緩和するための一般的な2段階戦略を提案する。
論文参考訳（メタデータ） (2022-12-05T08:09:33Z)
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)
Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-08T14:29:07Z)

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。