論文の概要: CAETC: Causal Autoencoding and Treatment Conditioning for Counterfactual Estimation over Time

• arxiv url: http://arxiv.org/abs/2603.11565v1
• Date: Thu, 12 Mar 2026 05:37:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.914804
• Title: CAETC: Causal Autoencoding and Treatment Conditioning for Counterfactual Estimation over Time
• Title（参考訳）: CAETC:時間的逆推定のための因果オートエンコーディングと処理条件
• Authors: Nghia D. Nguyen, Pablo Robles-Granda, Lav R. Varshney,
• Abstract要約: 本稿では,新しい手法であるCAETC(Cousal Autoencoding and Treatment Conditioning)を導入する。 本手法は,逆数表現学習に基づく自動符号化アーキテクチャを用いて,部分的に可逆かつ処理不変な表現を学習する。 合成,半合成,実世界のデータについて広範な実験を行い,CAETCが既存手法よりも優れた反実的推定を行うことを示す。
• 参考スコア（独自算出の注目度）: 11.100922246022343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Counterfactual estimation over time is important in various applications, such as personalized medicine. However, time-dependent confounding bias in observational data still poses a significant challenge in achieving accurate and efficient estimation. We introduce causal autoencoding and treatment conditioning (CAETC), a novel method for this problem. Built on adversarial representation learning, our method leverages an autoencoding architecture to learn a partially invertible and treatment-invariant representation, where the outcome prediction task is cast as applying a treatment-specific conditioning on the representation. Our design is independent of the underlying sequence model and can be applied to existing architectures such as long short-term memories (LSTMs) or temporal convolution networks (TCNs). We conduct extensive experiments on synthetic, semi-synthetic, and real-world data to demonstrate that CAETC yields significant improvement in counterfactual estimation over existing methods.
• Abstract（参考訳）: パーソナライズされた医療など、様々な応用において、時間による対効果推定が重要である。 しかし、観測データにおける時間依存共起バイアスは、正確かつ効率的な推定を達成する上で、依然として大きな課題となっている。 本稿では,新しい手法であるCAETC(Cousal Autoencoding and Treatment Conditioning)を導入する。 本手法は, 対向表現学習に基づく自動符号化アーキテクチャを用いて, 部分的に可逆かつ処理不変な表現を学習し, 結果予測タスクを, その表現に処理固有条件を適用するようにキャストする。 我々の設計は、基礎となるシーケンスモデルとは独立であり、長期記憶(LSTM)や時間畳み込みネットワーク(TCN)といった既存のアーキテクチャに適用できる。 合成,半合成,実世界のデータについて広範囲にわたる実験を行い,CAETCが既存手法に対する反実的推定を著しく改善することを示した。

関連論文リスト

• Causal Contrastive Learning for Counterfactual Regression Over Time [3.3523758554338734]
  本稿では, 長期予測を重視した, 反実的回帰に対するユニークなアプローチを提案する。 Causal Transformerのような既存のモデルから切り離し、我々のアプローチは長期的な予測にRNNを使うことの有効性を強調します。 提案手法は, 合成データと実世界のデータの両方を用いて, 最先端の対物推定結果を実現する。
  論文  参考訳（メタデータ） (2024-06-01T19:07:25Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• COSTAR: Improved Temporal Counterfactual Estimation with Self-Supervised Learning [35.119957381211236]
  我々は,歴史表現を改善するために自己教師付き学習を統合する新しいアプローチであるCOSTAR(Counterfactual Self-Supervised Transformer)を紹介する。 COSTARは、既存のモデルと比較して、推定精度と分布外データへの一般化において優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-11-01T22:38:14Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。