Fugu-MT 論文翻訳(概要): Instrumental Variable Analysis Without Structural Equations

論文の概要: Instrumental Variable Analysis Without Structural Equations

arxiv url: http://arxiv.org/abs/2604.24660v1
Date: Mon, 27 Apr 2026 16:24:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-28 17:12:08.158722
Title: Instrumental Variable Analysis Without Structural Equations
Title（参考訳）: 構造方程式を持たない機器変数解析
Abstract要約: 逆問題に対する正方形解の偏り推論は、正確な解が存在することを前提にしない方法である。代わりに、我々のアプローチは、既存のソリューションによらず、定義された量に対して推論を行うことを可能にする。
参考スコア（独自算出の注目度）: 48.321087914639854
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We consider debiased inference on least-squares solutions to inverse problems as a way to avoid having to assume exact solutions exist. Such assumptions are substantive and not innocuous and their failure may well imperil inference when we impose them on the statistical model. Our approach instead allows us to conduct inference on a quantity that is defined regardless of solutions existing and coincides with the usual estimands when they do. For the case of instrumental variables, this means we can motivate the analysis with structural models but these do not need to hold exactly for the inferential procedure to remain valid.
Abstract（参考訳）: 我々は、逆問題に対する最小二乗解の偏り推論を、正確な解が存在することを前提にしない方法として考える。そのような仮定は実体的であり、無害ではないし、統計モデルにそれらの仮定を課すと、その失敗は十分に不完全な推論になる可能性がある。その代わり、我々のアプローチでは、既存の解によらず定義された量で推論を行え、その場合の通常の推定値と一致する。楽器変数の場合、これは構造モデルによる解析を動機付けることができることを意味するが、これらは推論手順が有効であるために正確に保持する必要はない。

関連論文リスト

The conditional-mean barrier: From deterministic regression to conditional distribution learning [6.160113667162026]
このチュートリアルでは、条件-平均障壁を中心とした自己完結モジュールを開発する。平方損失予測器に潜在ランダム性を加えると、条件平均に戻る。我々は,否定的対数類似度,モーメントとオブザーバブルマッチング,変分目的,逆数分岐,スコアマッチングなどの共通分布目的を短時間に整理する。
論文参考訳（メタデータ） (2026-05-27T07:31:42Z)
Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
論文参考訳（メタデータ） (2026-05-09T15:30:52Z)
Nonparametric Factor Analysis and Beyond [14.232694150264628]
非無視設定における潜伏変数を識別するための一般的なフレームワークを提案する。生成モデルは,非無視ノイズの存在下においても,ある部分多様体不確定性まで同定可能であることを示す。また、対応する推定手法を開発し、様々な合成および実世界の設定で検証した。
論文参考訳（メタデータ） (2025-03-21T05:45:03Z)
Formalising causal inference as prediction on a target population [7.09435109588801]
本稿では,Neyman と Rubin による潜在的な成果フレームワークのバージョンを開発する。我々は、因果推論を、すべての仮定が再検討で検証可能な有限集団に対する治療学的予測であると解釈する。
論文参考訳（メタデータ） (2024-07-24T16:07:57Z)
Model-Agnostic Covariate-Assisted Inference on Partially Identified Causal Effects [1.9253333342733674]
多くの因果推定値は、潜在的な結果間の観測不能な関節分布に依存するため、部分的にしか識別できない。本研究では,部分的同定された推定値の広いクラスに対して,統一的かつモデルに依存しない推論手法を提案する。
論文参考訳（メタデータ） (2023-10-12T08:17:30Z)
A Bias-Variance-Covariance Decomposition of Kernel Scores for Generative Models [13.527864898609398]
カーネルスコアに対する最初のバイアス-分散-共分散分解を導入する。不確実性推定のためのカーネルベースの分散とエントロピーを導出する。カーネルの広範な適用性に基づいて、画像、音声、言語生成のための一般化および不確実性実験を通じて、我々のフレームワークを実証する。
論文参考訳（メタデータ） (2023-10-09T16:22:11Z)
Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文参考訳（メタデータ） (2023-09-28T13:04:11Z)
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)
The Implicit Delta Method [61.36121543728134]
本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
論文参考訳（メタデータ） (2022-11-11T19:34:17Z)
Exploiting Independent Instruments: Identification and Distribution Generalization [3.701112941066256]
我々は、より高い瞬間を考慮に入れ、分布一般化の独立性を利用する。提案した推定器は楽器の分布シフトに不変であることを示す。これらの結果は、楽器が因果関数を識別するのに十分な豊かでない場合においても成り立つ。
論文参考訳（メタデータ） (2022-02-03T21:49:04Z)
Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文参考訳（メタデータ） (2021-01-17T07:48:45Z)
Estimation of Accurate and Calibrated Uncertainties in Deterministic models [0.8702432681310401]
我々は,決定論的予測を確率論的予測に変換する手法を考案した。そのためには,そのようなモデルの精度と信頼性(校正)を損なう必要がある。隠れたノイズを正確に回収できる合成データと、大規模な実世界のデータセットの両方について、いくつかの例を示す。
論文参考訳（メタデータ） (2020-03-11T04:02:56Z)

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。