論文の概要: Improving RCT-Based Treatment Effect Estimation Under Covariate Mismatch via Calibrated Alignment
- arxiv url: http://arxiv.org/abs/2603.19186v1
- Date: Thu, 19 Mar 2026 17:43:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-20 17:19:06.306481
- Title: Improving RCT-Based Treatment Effect Estimation Under Covariate Mismatch via Calibrated Alignment
- Title（参考訳）: 校正アライメントによる共変量ミストマッチ下でのRTTによる治療効果評価の改善
- Authors: Amir Asiaee, Samhita Pal,
- Abstract要約: 本稿では,各ソースの特徴を共通表現空間にマッピングする埋め込み学習により,インプットを回避したCALMを提案する。
OSの結果モデルはRTT埋め込み空間に転送され、試行データを用いて校正され、ランダム化による因果同定が保存される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Randomized controlled trials (RCTs) are the gold standard for estimating heterogeneous treatment effects, yet they are often underpowered for detecting effect heterogeneity. Large observational studies (OS) can supplement RCTs for conditional average treatment effect (CATE) estimation, but a key barrier is covariate mismatch: the two sources measure different, only partially overlapping, covariates. We propose CALM (Calibrated ALignment under covariate Mismatch), which bypasses imputation by learning embeddings that map each source's features into a common representation space. OS outcome models are transferred to the RCT embedding space and calibrated using trial data, preserving causal identification from randomization. Finite-sample risk bounds decompose into alignment error, outcome-model complexity, and calibration complexity terms, identifying when embedding alignment outperforms imputation. Under the calibration-based linear variant, the framework provides protection against negative transfer; the neural variant can be vulnerable under severe distributional shift. Under sparse linear models, the embedding approach strictly generalizes imputation. Simulations across 51 settings confirm that (i) calibration-based methods are equivalent for linear CATEs, and (ii) the neural embedding variant wins all 22 nonlinear-regime settings with large margins.
- Abstract（参考訳）: ランダム化制御試験(RCTs)は不均一な処理効果を推定するための金の標準であるが、不均一性を検出するためにしばしば過小評価される。
大規模観測研究(OS)は条件平均処理効果(CATE)推定のためにRTTを補うことができるが、重要な障壁は共変量ミスマッチである。
そこで我々は,CALM (Calibrated ALignment under covariate Mismatch) を提案する。
OSの結果モデルはRTT埋め込み空間に転送され、試行データを用いて校正され、ランダム化による因果同定が保存される。
有限サンプルリスク境界はアライメントエラー、結果モデル複雑性、キャリブレーション複雑性項に分解される。
校正に基づく線形変種の下では、このフレームワークは負転移に対する保護を提供する。
疎線型モデルの下では、埋め込みアプローチは命令を厳密に一般化する。
51設定のシミュレーションがそれを裏付ける
(i)キャリブレーションに基づく手法は線形CATEと等価であり、
(ii) ニューラル埋め込み変種は22の非線形登録条件すべてに勝利し, 差は大きい。
関連論文リスト
- Partial Causal Structure Learning for Valid Selective Conformal Inference under Interventions [0.0]
ゲノミクスの実験では、交換可能性はしばしば、対象変数を「影響を受けない」ままにしておく介入のサブセットにのみ保持される。
i)「影響のない」キャリブレーション例の誤分類が、明示的な関数$g(,n)$の汚染分数とキャリブレーションセットサイズを介してどのようにカバレッジを劣化させるか、および (ii) 2つの後続指標$Z_a,i=mathbf1iinmathrmdesc(a)$のみを推定するタスク駆動部分因果学習の定式化。
論文 参考訳（メタデータ） (2026-03-02T18:58:22Z) - Calibrating Tabular Anomaly Detection via Optimal Transport [38.82475750342141]
我々は,サンプル特異的キャリブレーションにより既存のTAD検出器を増強するモデルに依存しない後処理フレームワークであるCTAD(Calibrating Tabular Anomaly Detection)を提案する。
提案手法は,2つの相補分布,すなわちランダムサンプリングによる経験的分布とK平均セントロイドによる構造的分布を特徴付ける。
本研究は, OT距離が試験試料から遠心点までの距離に比例して低いことを証明し, 予測値よりも系統的に高い校正値が得られたことを証明した。
論文 参考訳（メタデータ） (2026-02-06T15:58:22Z) - Kernel Treatment Effects with Adaptively Collected Data [23.3862001690226]
本稿では,適応データ収集における分散推論のための最初のカーネルベース推論フレームワークを提案する。
本手法は,Hilbert-space Martingale CLTによる2つの頑健なスコアと分散安定化を組み合わせることで,正規性を確保する。
実験により、平均シフトとより高いモーメント差の両方に有効かつ効果的であることが示されている。
論文 参考訳（メタデータ） (2025-10-11T15:01:21Z) - CLEAR: Calibrated Learning for Epistemic and Aleatoric Risk [5.758150962743421]
2つの異なるパラメータを持つ校正法であるCLEARを提案する。
予測可能性-計算可能性-安定性フレームワークから引き出された(i)量子不確実性と(ii)アンサンブルに対して、(i)量子レグレッションでどのように使用できるかを示す。
17の多様な実世界のデータセットで、CLEARはインターバル幅で平均28.2%と17.4%の改善を達成した。
論文 参考訳（メタデータ） (2025-07-10T20:13:00Z) - Semiparametric conformal prediction [79.6147286161434]
ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。
スコアの累積分布関数(CDF)を柔軟に推定する。
提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
論文 参考訳（メタデータ） (2024-11-04T14:29:02Z) - Orthogonal Causal Calibration [55.28164682911196]
我々は、因果校正作業を標準(非因果予測モデル)の校正作業に還元する一般的なアルゴリズムを開発する。
以上の結果から,既存のキャリブレーションアルゴリズムを因果的設定に応用できることが示唆された。
論文 参考訳（メタデータ） (2024-06-04T03:35:25Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳（メタデータ） (2022-12-02T07:31:39Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-24T18:49:26Z) - Robust and Agnostic Learning of Conditional Distributional Treatment Effects [44.31792000298105]
問題クラスに対する条件付きDTE(Conditional DTE)を学習するための、新しい堅牢でモデルに依存しない方法論を提供する。
本手法は回帰モデルクラスにCDTEの最良のプロジェクションを提供することができるため,モデルに依存しない。
シミュレーションにおける提案手法の挙動と,富に対する401(k)の適格性の影響を事例として検討した。
論文 参考訳（メタデータ） (2022-05-23T17:40:31Z) - Calibration of Neural Networks using Splines [51.42640515410253]
キャリブレーション誤差の測定は、2つの経験的分布を比較します。
古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。
提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
論文 参考訳（メタデータ） (2020-06-23T07:18:05Z)
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。