論文の概要: Deconfounding Scores and Representation Learning for Causal Effect Estimation with Weak Overlap

• arxiv url: http://arxiv.org/abs/2604.00811v1
• Date: Wed, 01 Apr 2026 12:19:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.977593
• Title: Deconfounding Scores and Representation Learning for Causal Effect Estimation with Weak Overlap
• Title（参考訳）: 弱重畳による因果効果推定のためのスコアの分解と表現学習
• Authors: Oscar Clivio, Alexander D'Amour, Alexander Franks, David Bruns-Smith, Chris Holmes, Avi Feller,
• Abstract要約: オーバーラップは因果治療効果推定の鍵となる条件である。 本稿では,デコンウンディングスコア(deconfounding scores)と呼ばれる特徴表現のクラスを提案する。 このクラスでは, 予後スコアが重なり合うことを示す。
• 参考スコア（独自算出の注目度）: 75.41420283374737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Overlap, also known as positivity, is a key condition for causal treatment effect estimation. Many popular estimators suffer from high variance and become brittle when features differ strongly across treatment groups. This is especially challenging in high dimensions: the curse of dimensionality can make overlap implausible. To address this, we propose a class of feature representations called deconfounding scores, which preserve both identification and the target of estimation; the classical propensity and prognostic scores are two special cases. We characterize the problem of finding a representation with better overlap as minimizing an overlap divergence under a deconfounding score constraint. We then derive closed-form expressions for a class of deconfounding scores under a broad family of generalized linear models with Gaussian features and show that prognostic scores are overlap-optimal within this class. We conduct extensive experiments to assess this behavior empirically.
• Abstract（参考訳）: オーバーラップ(英: Overlap、または positivity)は、因果治療効果推定の鍵となる条件である。 多くの一般的な推定器は、治療群間で特徴が強く異なると、高いばらつきに悩まされ、脆くなる。 これは特に高次元において困難であり、次元の呪いが重なりあうことはあり得ない。 そこで本研究では,識別と推定対象を両立させるデコンウンディングスコア(deconfounding scores)と呼ばれる特徴表現のクラスを提案する。 本稿では, 重複度を最小化するため, 重複度の高い表現を見つけることの問題点を, 相違点制約下での重複度を最小化することとして特徴づける。 次に、ガウス的特徴を持つ一般化線型モデルの広い族の下で、分解されたスコアのクラスに対する閉形式式を導出し、このクラス内では確率的スコアが重複最適であることを示す。 我々はこの行動を実証的に評価するための広範な実験を行った。

関連論文リスト

• How many classifiers do we need? [50.69951049206484]
  分類器間の不一致と偏極が、個々の分類器を集約することで得られる性能向上とどのように関連しているかを詳細に分析する。 分類器の個数で不一致の挙動を示す。 我々の理論と主張は、様々なタイプのニューラルネットワークを用いた画像分類タスクに関する経験的な結果によって裏付けられている。
  論文  参考訳（メタデータ） (2024-11-01T02:59:56Z)
• Adversarial Estimators [0.0]
  我々は、敵推定器(A推定器)の理論を開発する。 そこで本研究では,A推定器の収束率をポイントワイドおよび部分同定の両方で特徴付ける。 我々の理論は、ニューラルネットワークM-推定器の一般関数の正規性ももたらしている。
  論文  参考訳（メタデータ） (2022-04-22T04:39:44Z)
• On the Benefits of Large Learning Rates for Kernel Methods [110.03020563291788]
  本稿では,カーネル手法のコンテキストにおいて,現象を正確に特徴付けることができることを示す。 分離可能なヒルベルト空間における2次対象の最小化を考慮し、早期停止の場合、学習速度の選択が得られた解のスペクトル分解に影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2022-02-28T13:01:04Z)
• Classification and Adversarial examples in an Overparameterized Linear Model: A Signal Processing Perspective [10.515544361834241]
  最先端のディープラーニング分類器は、無限の逆境摂動に非常に敏感である。 学習されたモデルは、分類が一般化するが回帰はしない中間体制の敵に感受性がある。 敵対的感受性にもかかわらず、これらの特徴による分類は、より一般的に研究されている「非依存的特徴」モデルよりも容易である。
  論文  参考訳（メタデータ） (2021-09-27T17:35:42Z)
• Learning to Rank Anomalies: Scalar Performance Criteria and Maximization of Two-Sample Rank Statistics [0.0]
  本稿では,観測結果の異常度を反映した特徴空間上で定義されたデータ駆動スコアリング関数を提案する。 このスコアリング関数は、よく設計された二項分類問題を通じて学習される。 本稿では,予備的な数値実験による方法論について解説する。
  論文  参考訳（メタデータ） (2021-09-20T14:45:56Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
  本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。 汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-28T11:07:59Z)
• A Class of Conjugate Priors for Multinomial Probit Models which Includes the Multivariate Normal One [0.3553493344868413]
  統一スキュー正規分布(SUN)のクラス全体は、複数の多重項プロビットモデルに共役していることを示す。 後部推論と分類のための最先端の解法を改善する。
  論文  参考訳（メタデータ） (2020-07-14T10:08:23Z)
• Learning from Aggregate Observations [82.44304647051243]
  本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。 本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。 単純な極大解は様々な微分可能なモデルに適用できる。
  論文  参考訳（メタデータ） (2020-04-14T06:18:50Z)

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。