論文の概要: The Digital Twin Counterfactual Framework: A Validation Architecture for Simulated Potential Outcomes

• arxiv url: http://arxiv.org/abs/2604.01325v1
• Date: Wed, 01 Apr 2026 19:04:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:09.773212
• Title: The Digital Twin Counterfactual Framework: A Validation Architecture for Simulated Potential Outcomes
• Title（参考訳）: Digital Twin Counterfactual Framework:シミュレートされた潜在的成果の検証アーキテクチャ
• Authors: Olav Laudy,
• Abstract要約: Digital Twin Counterfactual Framework (DTCF) 五段階検証アーキテクチャは、シミュレーターが正しい反事実を生成できるという不当な主張を、観測可能なデータに対する偽証可能なテストに変換する。 分解は因果量から極端に検証されるものへと分離する。 共同因果関係の主張は明示的な前提付きとなる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The fundamental problem of causal inference - that the counterfactual outcome for any individual is never observed - has shaped the entire methodology of the field. Every existing approach substitutes assumptions for missing data: ignorability, parallel trends, exclusion restrictions. None produces the counterfactual itself. This paper proposes the Digital Twin Counterfactual Framework (DTCF): rather than estimating the counterfactual statistically, we simulate it using a digital twin and subject the simulation to a hierarchical validation regime. We formalize the digital twin simulator as a stochastic mapping within the potential outcomes framework and introduce a hierarchy of twin fidelity assumptions - from marginal fidelity through joint fidelity to structural fidelity - each unlocking a progressively richer class of estimands. The central contribution is threefold. First, a five-level validation architecture converts the unfalsifiable claim that the simulator produces correct counterfactuals into falsifiable tests against observable data. Second, a formal decomposition separates causal quantities into those that are marginally validated (ATE, CATE, QTE - testable through observable-arm comparison) and those that are copula-dependent (the ITE distribution, probability of benefit/harm, variance of treatment effects - permanently reliant on the unobservable within-individual dependence structure). Third, bounding, sensitivity, and uncertainty quantification tools make the copula dependence explicit. The DTCF does not resolve the fundamental problem of causal inference. What it provides is a framework in which marginal causal claims become increasingly testable, joint causal claims become explicitly assumption-indexed, and the gap between the two is formally characterized.
• Abstract（参考訳）: 因果推論の根本的な問題は、あらゆる個人に対する反実的な結果が決して観察されないことである。 既存のすべてのアプローチは、無視可能性、並列トレンド、排他的制約といった、欠落したデータに対する仮定を代用する。 偽造物自体を生産する者はいない。 本稿では,デジタル双対対ファクトファクトフレームワーク(DTCF)を提案する。 反ファクトファクトを統計的に推定するのではなく, ディジタル双対を用いてシミュレーションし, 階層的検証体制に適応させる。 我々は、デジタルツインシミュレータを、潜在的な結果の枠組み内で確率写像として形式化し、ツインフィデリティ仮定の階層構造を導入する。 中心的な貢献は3倍である。 第一に、5段階の検証アーキテクチャは、シミュレータが正しい偽物を生成するという不当な主張を、観測可能なデータに対する偽造可能なテストに変換する。 第二に、形式的な分解は因果関係の量を限界的に検証されたもの(ATE, CATE, QTE - 可観測腕の比較により検証可能なもの)とコプラ依存のもの(ITT分布、利益/ハームの確率、治療効果の分散)に分離する。 第三に、境界性、感度、不確実性定量化ツールは、コプラ依存を明示する。 DTCFは因果推論の根本的な問題を解決していない。 それが提供しているのは、限界因果関係の主張がますます検証可能になり、共同因果関係の主張が明示的に仮定インデクシングされ、両者のギャップが正式に特徴づけられるフレームワークである。

関連論文リスト

• Causal Identification from Counterfactual Data: Completeness and Bounding Results [54.147490305295456]
  本研究では,任意のレイヤ3分布の集合から対実的なクエリを識別するアルゴリズムを開発した。 我々は、物理的に実現可能な分布から反事実を特定できる理論的限界を確立する。 我々は、そのような量の新たな解析的境界を、実現可能な対実データを用いて導出する。
  論文  参考訳（メタデータ） (2026-02-26T22:48:12Z)
• Certainty-Validity: A Diagnostic Framework for Discrete Commitment Systems [0.0]
  「マシーン学習評価尺度」は、全てのエラーが等価な離散的なコミットメントシステムであると仮定する。 信頼不正確」な振る舞いは、モデルが曖昧なデータの中で構造を幻覚させる場所である。 推論システムのための「Good Training」は、精度ではなく、Certainty-Validity Scoreの最大化によって定義されなければならない。
  論文  参考訳（メタデータ） (2026-02-10T21:53:02Z)
• Rethinking Causal Discovery Through the Lens of Exchangeability [0.0]
  因果発見法は伝統的に2つの異なる体制の下で開発されてきた。 i.i.d.設定は交換可能性の観点から再編成可能でなければならないと我々は主張する。 我々の交換可能な合成データセットは、実際の「i.i.d.」データセットの統計構造を、他のすべてのi.i.d.合成データセットよりも密接に反映していることを示す。
  論文  参考訳（メタデータ） (2025-12-10T23:19:39Z)
• Imputation-Powered Inference [2.676349883103404]
  Imputation-powered Inference (IPI) は、ブラックボックス計算の柔軟性と、完全に観測されたデータを用いたバイアス補正を組み合わせたモデルリーンフレームワークである。 IPIは、二重頑健な推定値とナイーブな計算値の両方が名目的カバレッジを達成できない設定において、統計的妥当性を維持しながら、完全ケース分析と比較して、サブポピュレーション効率を大幅に改善する可能性がある。
  論文  参考訳（メタデータ） (2025-09-17T07:48:54Z)
• Towards Characterizing Domain Counterfactuals For Invertible Latent Causal Models [15.817239008727789]
  本研究では,異なるドメインで生成された場合,サンプルがどのようなものであったのかを仮定した,ドメイン反事実と呼ばれる特定のタイプの因果クエリを解析する。 本研究では, 潜在構造因果モデル (SCM) の回復は, ドメイン・デファクト・デファクトを推定するために不要であることを示す。 また、モデル生成過程を単純化し、生成モデル推定を行うための理論的基盤となる実用的なアルゴリズムも開発する。
  論文  参考訳（メタデータ） (2023-06-20T04:19:06Z)
• 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)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)

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。