論文の概要: Identifying Causal Effects Using a Single Proxy Variable

• arxiv url: http://arxiv.org/abs/2604.09135v1
• Date: Fri, 10 Apr 2026 09:16:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.79392
• Title: Identifying Causal Effects Using a Single Proxy Variable
• Title（参考訳）: 単一確率変数を用いた因果関係の同定
• Abstract要約: 我々は、因果効果が特定可能であることを示すために、観測されていない共創者の単一の多次元プロキシ変数を使用する。 また、因果効果を推定するニューラルネットワークベースの推定フレームワークであるSPICE-Netを開発した。
• 参考スコア（独自算出の注目度）: 4.328889731559316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unobserved confounding is a key challenge when estimating causal effects from a treatment on an outcome in scientific applications. In this work, we assume that we observe a single, potentially multi-dimensional proxy variable of the unobserved confounder and that we know the mechanism that generates the proxy from the confounder. Under a completeness assumption on this mechanism, which we call Single Proxy Identifiability of Causal Effects or simply SPICE, we prove that causal effects are identifiable. We extend the proxy-based causal identifiability results by Kuroki and Pearl (2014); Pearl (2010) to higher dimensions, more flexible functional relationships and a broader class of distributions. Further, we develop a neural network based estimation framework, SPICE-Net, to estimate causal effects, which is applicable to both discrete and continuous treatments.
• Abstract（参考訳）: 科学的応用における結果に対する治療から因果効果を推定する際、観測不能な共起は重要な課題である。 この研究では、観測されていない共同設立者の単一の多次元プロキシ変数を観察し、共同設立者からプロキシを生成するメカニズムを知っていると仮定する。 因果効果の単一プロキシ同定可能性(Single Proxy Identifiability of Causal Effects)あるいは単にSPICE(Single Proxy Identifiability of Causal Effects)と呼ばれるこのメカニズムの完全性仮定の下で、因果効果が同定可能であることを証明した。 黒木とパールによるプロキシベースの因果識別性(2014)、パール(2010)はより高次元、より柔軟な機能的関係、より広範な分布クラスに拡張する。 さらに、ニューラルネットワークに基づく推定フレームワークであるSPICE-Netを開発し、因果効果を推定し、離散処理と連続処理の両方に適用する。

関連論文リスト

• Causal Effect Identification in lvLiNGAM from Higher-Order Cumulants [20.751445296400316]
  本稿では,高次累積を用いた線形非ガウス非巡回モデル (lvLiNGAM) における因果効果の同定について検討する。 因果効果が一つのプロキシや機器で識別可能であることを証明し、対応する推定方法を提案する。
  論文  参考訳（メタデータ） (2025-06-05T16:14:35Z)
• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
  この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。 本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。 学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T02:38:21Z)
• Kernel Single Proxy Control for Deterministic Confounding [27.68132952123939]
  結果が確定的に生成されると因果回復が可能であることを示す。 これは、単一のプロキシ変数を持つ因果メソッドに関する既存の作業を継続的処理設定に一般化する。
  論文  参考訳（メタデータ） (2023-08-08T21:11:06Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• Contagion Effect Estimation Using Proximal Embeddings [17.483428990993744]
  感染効果は、ソーシャルネットワークにおける個人の結果に対する仲間の行動の因果効果を指す。 既存のプロキシベースの感染効果推定法は、プロキシが高次元である場合、非常に高いばらつきを持つ。 本稿では,変分オートエンコーダと対向ネットワークを統合した新しいフレームワーク Proximal Embeddings (ProEmb) を提案する。
  論文  参考訳（メタデータ） (2023-06-04T20:55:13Z)
• 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)
• Partial Identification of Causal Effects Using Proxy Variables [19.23377338970307]
  近位因果推論は,非測定的共起の存在下での因果効果を評価するためのフレームワークとして最近提案されている。 本稿では,橋梁関数の完全性を必要としない部分的識別手法を提案する。
  論文  参考訳（メタデータ） (2023-04-10T04:18:27Z)
• Interpretable Deep Causal Learning for Moderation Effects [0.0]
  本稿では、因果機械学習モデルにおける解釈可能性と目標正規化の問題に対処する。 本稿では,個別の処理効果を推定するための新しい深層対実学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-06-21T11:21:09Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)

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。