論文の概要: A Novel Computational Framework for Causal Inference: Tree-Based Discretization with ILP-Based Matching

• arxiv url: http://arxiv.org/abs/2604.27307v1
• Date: Thu, 30 Apr 2026 01:40:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.86742
• Title: A Novel Computational Framework for Causal Inference: Tree-Based Discretization with ILP-Based Matching
• Title（参考訳）: 因果推論のための新しい計算フレームワーク: ILP型マッチングを用いた木に基づく離散化
• Authors: Tianyu Yang, Md. Noor-E-Alam,
• Abstract要約: 因果推論は、観測データから因果関係を明らかにすることを目的として、データ駆動意思決定に不可欠である。 本稿では,因果推論に適した木に基づく離散化手法と整数線形プログラミングに基づくマッチングアルゴリズムを組み合わせた新しい手法を提案する。 得られたアルゴリズムは、最先端のアルゴリズムと比較して計算効率とバイアスの少ないATT推定が得られる。
• 参考スコア（独自算出の注目度）: 5.526311778160277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal inference is essential for data-driven decision-making, as it aims to uncover causal relationships from observational data. However, identifying causality remains challenging due to the potential for confounding and the distinction between correlation and causation. While recent advances in causal machine learning and matching algorithms have improved estimation accuracy, these methods often face trade-offs between interpretability and computational efficiency. This paper proposes a novel approach that combines a tree-based discretization technique, tailored for causal inference, with an integer linear programming-based matching algorithm. The discretization ensures approximately linear relationships for control datasets within strata, enabling effective matching, while the optimization framework optimizes for global balance. The resulting algorithm yields computational efficiency and less biased ATT estimates compared to state-of-the-art algorithms. Empirical evaluations demonstrate the proposed method's practical advantages over existing techniques in causal inference scenarios.
• Abstract（参考訳）: 因果推論は、観測データから因果関係を明らかにすることを目的として、データ駆動意思決定に不可欠である。 しかし、因果関係の同定は、因果関係と因果関係を区別する可能性から、依然として困難である。 近年、因果機械学習とマッチングアルゴリズムの進歩により推定精度が向上しているが、これらの手法は解釈可能性と計算効率のトレードオフに直面していることが多い。 本稿では,因果推論に適した木に基づく離散化手法と整数線形プログラミングに基づくマッチングアルゴリズムを組み合わせた新しい手法を提案する。 離散化により、成層圏内の制御データセットのほぼ線形関係が保証され、効率的なマッチングが可能となり、最適化フレームワークはグローバルバランスを最適化する。 得られたアルゴリズムは、最先端のアルゴリズムと比較して計算効率とバイアスの少ないATT推定が得られる。 実験的な評価は、因果推論シナリオにおける既存の手法に比べて提案手法の実用的優位性を示す。

関連論文リスト

• A Hierarchical Federated Learning Approach for the Internet of Things [3.28418927821443]
  大規模IoTデプロイメントに適した新しいフェデレーション学習ソリューションQHetFedを提案する。 我々は,QHetFedが常に高い学習精度を達成し,他の階層的アルゴリズムよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-03T15:40:24Z)
• Efficient Transfer Learning via Causal Bounds [8.981637739384674]
  我々は、因果側情報がどのようにオンライン学習を加速するかを分析し、データ削減の実験を行う。 我々の分析は、因果側情報がどのようにオンライン学習を加速させるか、およびデータ削減の実験を正確に特徴付ける。
  論文  参考訳（メタデータ） (2023-08-07T13:24:50Z)
• Contraction-Guided Adaptive Partitioning for Reachability Analysis of Neural Network Controlled Systems [5.359060261460183]
  非線形フィードバックループにおける区間値到達可能集合の推定値を改善するための収縮誘導適応分割アルゴリズムを提案する。 ニューラルネットワーク検証ステップとリーチビリティパーティショニングレイヤの分離を活用することで、アルゴリズムは計算コストの少ない精度の向上を提供することができる。 本稿では,現状の手法と比較して,ランタイムのごく一部において,到達可能な集合推定の精度が大幅に向上したことを報告する。
  論文  参考訳（メタデータ） (2023-04-07T14:43:21Z)
• From Causal Pairs to Causal Graphs [1.5469452301122175]
  観測データから学習する因果構造は、非自明な課題である。 NIPS 2013 Workshop on Causality Challengeにより、我々は異なるアプローチを採り、可能な全てのグラフに確率分布を生成する。 本研究の目的は,この確率的情報に基づく新しい手法を提案し,その性能を従来の手法や最先端の手法と比較することである。
  論文  参考訳（メタデータ） (2022-11-08T15:28:55Z)
• Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent Signals: Application to Hyperspectral Imaging [71.57324258813675]
  相互依存信号のデータセットは、列が強い依存を示す行列として定義される。 ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。 ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
  論文  参考訳（メタデータ） (2022-03-29T21:00:39Z)
• The Statistical Complexity of Interactive Decision Making [126.04974881555094]
  複雑度尺度であるDecision-Estimation Coefficientは,サンプル効率のインタラクティブ学習に必要かつ十分であることが証明された。 統合アルゴリズム設計原則であるE2Dは、教師付き推定のための任意のアルゴリズムを、意思決定のためのオンラインアルゴリズムに変換する。
  論文  参考訳（メタデータ） (2021-12-27T02:53:44Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• False Correlation Reduction for Offline Reinforcement Learning [115.11954432080749]
  本稿では,実効的かつ理論的に証明可能なアルゴリズムであるオフラインRLに対するfalSe Correlation Reduction (SCORE)を提案する。 SCOREは、標準ベンチマーク(D4RL)において、様々なタスクにおいて3.1倍の高速化でSoTA性能を達成することを実証的に示す。
  論文  参考訳（メタデータ） (2021-10-24T15:34:03Z)

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。