論文の概要: Distributional Causal Mediation via Conditional Generative Modeling

• arxiv url: http://arxiv.org/abs/2605.01765v1
• Date: Sun, 03 May 2026 07:57:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.927724
• Title: Distributional Causal Mediation via Conditional Generative Modeling
• Title（参考訳）: 条件付き生成モデルによる分布因果メディエーション
• Authors: Jinlun Zhang, Haoneng Huang, Zishu Zhan, Chunquan Ou,
• Abstract要約: 分布因果メディエーション分析(Distributedal Causal Mediation Analysis、DCMA)は、複数のメディエーターを通して伝達される結果分布全体に対する治療効果を同定し、推定するための生成学習フレームワークである。 ノイズサンプリングによるモンテカルロ前方シミュレーションにより干渉結果分布を再構成する。 解析誤差境界は、学習条件モデルにおける推定誤差が、再構成された介入結果分布にどのように伝播するかを分解するために導かれる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mediation analysis has traditionally focused on outcome-level summary contrasts, such as mean effects, which may obscure substantial distributional changes induced by complex and nonlinear causal mechanisms. We propose Distributional Causal Mediation Analysis (DCMA), a generative learning framework for identifying and estimating treatment effects on entire outcome distributions transmitted through multiple mediators. DCMA learns conditional generative models for the mediators and the outcome, recovering the relevant conditional distributions from observational data. Leveraging the identification formulas, it reconstructs interventional outcome distributions via Monte Carlo forward simulation by noise resampling, enabling the capture of both classical summary effects and rich distributional contrasts such as energy distance and the Wasserstein distance. Analytical error bounds are derived to decompose how estimation errors in the learned conditional models propagate to the reconstructed interventional outcome distributions. The empirical effectiveness of DCMA is demonstrated through numerical experiments and real-world data applications.
• Abstract（参考訳）: メディエーション分析は伝統的に、平均効果のような結果レベルの要約のコントラストに焦点を合わせてきた。 複数のメディエーターを通して伝達される結果分布全体に対する治療効果を同定・推定するための生成学習フレームワークである分散因果メディエーション分析(DCMA)を提案する。 DCMAは、メディエータの条件生成モデルと結果を学び、観測データから関連する条件分布を復元する。 識別式を活用することで、モンテカルロ前方シミュレーションによる干渉結果分布をノイズリサンプリングにより再構成し、古典的な要約効果とエネルギー距離やワッサーシュタイン距離のようなリッチな分布コントラストの両方を捕捉する。 解析誤差境界は、学習条件モデルにおける推定誤差が再構成された介入結果分布にどのように伝播するかを分解するために導かれる。 数値実験と実世界のデータ応用を通して,DCMAの実証実験の有効性を実証した。

関連論文リスト

• Causality-Encoded Diffusion Models for Interventional Sampling and Edge Inference [12.531769483039405]
  本稿では,有向非巡回グラフを組み込んだ因果符号化拡散フレームワークを提案する。 得られたサンプリング器は、観測分布をほぼ復元し、介入サンプリングを可能にする。 フローデータへの適用は,提案手法の有効性を実証するものである。
  論文  参考訳（メタデータ） (2026-04-23T16:32:49Z)
• Controllable Generative Sandbox for Causal Inference [9.416664327739516]
  CausalMixは因果推論のための変分生成フレームワークである。 安定した微粒な因果制御を提供しながら、混合型テーブル上で最先端の分散メトリクスを実現する。 転移性キャスティング抵抗性前立腺癌治療における安全性の比較検討において実用的有用性を示した。
  論文  参考訳（メタデータ） (2026-03-03T23:37:05Z)
• Score-based diffusion models for diffuse optical tomography with uncertainty quantification [0.8443238959374133]
  本稿では,学習とモデルベースコンポーネントからなる混合スコアを構成することで,スコア関数の過度な適合を防止する新しい正規化手法を提案する。 実験により、データ駆動の事前分布は、古典的モデルに基づく推定と比較して、低分散の後方サンプルをもたらすことが示された。
  論文  参考訳（メタデータ） (2026-02-03T12:14:07Z)
• Causal Graph Learning via Distributional Invariance of Cause-Effect Relationship [54.575090553659074]
  本研究では,観測変数数の2次複雑性と因果関係を効率的に発見するアルゴリズムを開発した。 大規模データセットの様々なベンチマークによる実験は、既存の研究よりも優れた、あるいは同等な性能を示している。
  論文  参考訳（メタデータ） (2026-02-03T10:26:16Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• On Error Propagation of Diffusion Models [77.91480554418048]
  DMのアーキテクチャにおける誤り伝播を数学的に定式化するための理論的枠組みを開発する。 累積誤差を正規化項として適用して誤差伝搬を低減する。 提案した正規化はエラーの伝播を低減し,バニラDMを大幅に改善し,以前のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-08-09T15:31:17Z)
• De-confounding Representation Learning for Counterfactual Inference on Continuous Treatment via Generative Adversarial Network [5.465397606401007]
  実世界の因果推論タスクでは、二項処理変数よりも連続的な因果推論の方が一般的である。 本稿では,連続処理の現実的結果推定のための分散表現学習(DRL)フレームワークを提案する。 DRLモデルは,非衝突表現の学習において優れた性能を示し,連続処理変数に対する最先端の反実的推論モデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-07-24T08:56:25Z)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)
• Accuracy on the Line: On the Strong Correlation Between Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
  分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。 具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。 また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
  論文  参考訳（メタデータ） (2021-07-09T19:48:23Z)
• Harmonization with Flow-based Causal Inference [12.739380441313022]
  本稿では, 医療データを調和させる構造因果モデル (SCM) に対して, 反実的推論を行う正規化フローに基づく手法を提案する。 我々は,この手法が最先端のアルゴリズムよりもドメイン間一般化に寄与することを示すために,複数の,大規模な実世界の医療データセットを評価した。
  論文  参考訳（メタデータ） (2021-06-12T19:57:35Z)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)

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。