Fugu-MT 論文翻訳(概要): Observationally Informed Adaptive Causal Experimental Design

論文の概要: Observationally Informed Adaptive Causal Experimental Design

arxiv url: http://arxiv.org/abs/2603.03785v1
Date: Wed, 04 Mar 2026 06:52:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-05 21:29:15.210697
Title: Observationally Informed Adaptive Causal Experimental Design
Title（参考訳）: 観測インフォームド適応因果実験設計
Authors: Erdun Gao, Liang Zhang, Jake Fawkes, Aoqi Zuo, Wenqin Liu, Haoxuan Li, Mingming Gong, Dino Sejdinovic,
Abstract要約: 本稿では,観測モデルを基礎的先行として活用する新たなパラダイムであるアクティブ残留学習を提案する。このアプローチは、実験的な焦点を、目標因果量の学習から、観察バイアスの補正に必要な残差を効率的に推定するへとシフトさせる。合成および半合成ベンチマークの実験は、R-Designがベースラインを大幅に上回ることを示した。
参考スコア（独自算出の注目度）: 55.998153710215654
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Randomized Controlled Trials (RCTs) represent the gold standard for causal inference yet remain a scarce resource. While large-scale observational data is often available, it is utilized only for retrospective fusion, and remains discarded in prospective trial design due to bias concerns. We argue this "tabula rasa" data acquisition strategy is fundamentally inefficient. In this work, we propose Active Residual Learning, a new paradigm that leverages the observational model as a foundational prior. This approach shifts the experimental focus from learning target causal quantities from scratch to efficiently estimating the residuals required to correct observational bias. To operationalize this, we introduce the R-Design framework. Theoretically, we establish two key advantages: (1) a structural efficiency gap, proving that estimating smooth residual contrasts admits strictly faster convergence rates than reconstructing full outcomes; and (2) information efficiency, where we quantify the redundancy in standard parameter-based acquisition (e.g., BALD), demonstrating that such baselines waste budget on task-irrelevant nuisance uncertainty. We propose R-EPIG (Residual Expected Predictive Information Gain), a unified criterion that directly targets the causal estimand, minimizing residual uncertainty for estimation or clarifying decision boundaries for policy. Experiments on synthetic and semi-synthetic benchmarks demonstrate that R-Design significantly outperforms baselines, confirming that repairing a biased model is far more efficient than learning one from scratch.
Abstract（参考訳）: ランダム化制御裁判(Randomized Controlled Trials, RCTs)は、因果推論における金の標準でありながら、希少な資源である。大規模な観測データはしばしば利用可能であるが、これは振り返りの融合にのみ利用され、バイアスの懸念により将来的なトライアル設計では捨てられている。この“タブララサ”データ取得戦略は基本的に非効率である,と我々は主張する。本研究では,観測モデルを基礎的先行として活用する新たなパラダイムであるアクティブ残留学習を提案する。このアプローチは、実験的な焦点を、目標因果量の学習から、観察バイアスの補正に必要な残差を効率的に推定するへとシフトさせる。これを運用するために、R-Designフレームワークを紹介します。理論的には, 構造的効率ギャップ, 滑らかな残留コントラストの推定は, 全結果の再構成よりも厳密な収束率を示すこと, 情報効率は, 標準パラメータベースの獲得(BALDなど)における冗長性を定量化し, タスク非関係なニュアンス不確実性に対して, それらの予算を無駄にすることを示す。 R-EPIG(Residual expecteded Predictive Information Gain)は、因果推定を直接対象とする統一的基準であり、推定のための不確実性を最小化し、政策決定境界を明確にするものである。合成および半合成ベンチマークの実験では、R-Designはベースラインを著しく上回り、偏りのあるモデルの修復はスクラッチから学ぶよりもはるかに効率的であることを確認した。

関連論文リスト

Towards Anytime-Valid Statistical Watermarking [63.02116925616554]
我々は、任意の時間価推論で最適なサンプリングを統一する、最初のe-value-based watermarking frameworkであるAnchored E-Watermarkingを開発した。本フレームワークはサンプル効率を大幅に向上させ,最先端のベースラインに対して,検出に必要な平均トークン予算を13～15%削減する。
論文参考訳（メタデータ） (2026-02-19T18:32:26Z)
Causal Inference as Distribution Adaptation: Optimizing ATE Risk under Propensity Uncertainty [0.0]
我々は、分散シフトの下で、ATE推定をテキストドメイン適応問題として再フレーミングする。結果モデルの共同学習を行うためのtextbfJoint Robust Estimator (JRE) を提案する。
論文参考訳（メタデータ） (2025-12-19T21:40:46Z)
Bayesian Semiparametric Causal Inference: Targeted Doubly Robust Estimation of Treatment Effects [1.2833734915643464]
本稿では,平均治療効果(ATE)を推定するための半パラメトリックベイズ手法を提案する。本手法では,ニュアンス推定によるバイアスを補正するベイズ偏差補正法を提案する。広範囲なシミュレーションにより理論結果が確認され、正確な点推定と信頼区間が明確化される。
論文参考訳（メタデータ） (2025-11-19T22:15:04Z)
A Theoretical Study on Bridging Internal Probability and Self-Consistency for LLM Reasoning [31.861874030715953]
サンプリングに基づくテスト時間スケーリング手法を解析するための最初の理論的枠組みを提供する。 RPCは2つの重要なコンポーネント、パープレキシティ・一貫性と推論・プルーニングを通じて、理論的な洞察を活用するハイブリッド手法です。 RPCは、信頼性を向上するだけでなく、サンプリングコストを50%削減しながら、自己整合性に匹敵する推論性能を達成する。
論文参考訳（メタデータ） (2025-10-17T08:59:30Z)
Causal-EPIG: A Prediction-Oriented Active Learning Framework for CATE Estimation [18.560880912660885]
本稿では,獲得関数が観測不能な因果量をターゲットにすべきとする因果的客観的アライメントの原理を紹介する。我々はCausal-EPIGフレームワークを通じてこの原則を運用する。基本的なトレードオフを具現化する2つの異なる戦略を導出します。
論文参考訳（メタデータ） (2025-09-26T04:44:27Z)
Lost at the Beginning of Reasoning [85.17612793300238]
第1の推論ステップが最終予測に不当に大きな影響を与えることを示す。本稿では、報酬モデルを利用して高品質な第1推論ステップを特定し、維持する効率的なサンプリング戦略を提案する。
論文参考訳（メタデータ） (2025-06-27T09:53:57Z)
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)
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)
Bridging Internal Probability and Self-Consistency for Effective and Efficient LLM Reasoning [53.25336975467293]
パープレキシティや自己整合性などの手法の第一理論誤差分解解析について述べる。パープレキシティ法は、適切な整合関数が存在しないため、かなりのモデル誤差に悩まされる。本稿では、自己整合性とパープレキシティを統合したReasoning-Pruning Perplexity Consistency(RPC)と、低確率推論経路を排除したReasoning Pruningを提案する。
論文参考訳（メタデータ） (2025-02-01T18:09:49Z)
Understanding, Predicting and Better Resolving Q-Value Divergence in Offline-RL [86.0987896274354]
まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
論文参考訳（メタデータ） (2023-10-06T17:57:44Z)
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)

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。