論文の概要: TabCF: Distributional Control Function Estimation with Tabular Foundation Models

• arxiv url: http://arxiv.org/abs/2605.05993v1
• Date: Thu, 07 May 2026 10:44:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.703672
• Title: TabCF: Distributional Control Function Estimation with Tabular Foundation Models
• Title（参考訳）: TabCF: タブラル基礎モデルによる分布制御関数の推定
• Authors: Geping Chen, Chunlin Li, Tianzhong Yang, Zhengyuan Zhu, Jing Zhou,
• Abstract要約: 本稿では,制御関数回帰のためのシンプルなTabCFを提案する。 分布量の正確、高速、識別・透明、およびチューニング・ライト因果推定を可能にする。
• 参考スコア（独自算出の注目度）: 13.544121453400466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instrumental variable (IV) and control function (CF) methods are powerful tools for causal effect estimation in the presence of unmeasured confounding, yet most existing approaches target only mean effects and/or demand substantial fitting and tuning effort. In this paper, we introduce a simple method, TabCF, for control function regression using tabular foundation models, which enables accurate, fast, identification-transparent, and tuning-light causal estimation of distributional quantities, such as interventional means and quantiles; we also propose a copula-based approximation for multivariate outcomes. TabCF performs favorably against representative methods across a broad range of small- to medium-sized synthetic and real data scenarios. The central message is two-fold: for practitioners, it highlights that TabCF is an effective tool for distributional causal inference; for researchers, it suggests that the proposed approach could be considered a strong baseline for future method development. Code is available at https://github.com/GepingChen/TabCF.
• Abstract（参考訳）: 計器変数 (IV) と制御関数 (CF) の手法は, 計測されていない埋没の有無で因果効果を推定するための強力なツールである。 本稿では,表層基礎モデルを用いた制御関数回帰法TabCFを提案する。これは,介入手段や量子関数などの分布量の精度,高速,識別・透過性,およびチューニング光による因果推定を可能にするものであり,多変量結果のコプラに基づく近似も提案する。 TabCFは、さまざまな小規模から中規模の合成および実データシナリオにおいて、代表的メソッドに対して好意的に機能する。 中心的なメッセージは2つある: 実践者にとって、TabCFは分散因果推論の効果的なツールであり、研究者にとって、提案手法は将来のメソッド開発のための強力なベースラインとなる可能性があることを示唆している。 コードはhttps://github.com/GepingChen/TabCF.comで入手できる。

関連論文リスト

• CoLSE: A Lightweight and Robust Hybrid Learned Model for Single-Table Cardinality Estimation using Joint CDF [7.945011337356916]
  カーディナリティ推定は、クエリ最適化の重要なコンポーネントである。 単点濃度推定のためのハイブリッド学習手法であるCoLSEを提案する。 実験の結果,CoLSEは精度,トレーニング時間,レイテンシ,モデルサイズにおいて良好なトレードオフを実現し,既存の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-12-14T10:08:20Z)
• Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
  動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。 我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-12-02T14:42:54Z)
• Adapformer: Adaptive Channel Management for Multivariate Time Series Forecasting [49.40321003932633]
  Adapformerは、効果的なチャネル管理を通じてCIとCD方法論のメリットをマージする、トランスフォーマーベースの高度なフレームワークである。 Adapformerは既存のモデルよりも優れた性能を実現し、予測精度と計算効率の両方を向上させる。
  論文  参考訳（メタデータ） (2025-11-18T16:24:05Z)
• CausalPFN: Amortized Causal Effect Estimation via In-Context Learning [19.54034651361769]
  CausalPFNは、ボックスから新しい観測データセットに因果効果を推測する。 提案手法は,不均一および平均処理効果評価ベンチマークにおいて,優れた平均性能を実現する。 CausalPFNはベイズ原理に基づく信頼性の高い意思決定を支援するために、校正された不確実性推定を提供する。
  論文  参考訳（メタデータ） (2025-06-09T16:31:06Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Efficient Conformal Prediction under Data Heterogeneity [79.35418041861327]
  コンフォーマル予測(CP)は不確実性定量化のための頑健な枠組みである。 非交換性に対処するための既存のアプローチは、最も単純な例を超えて計算不可能なメソッドにつながる。 この研究は、比較的一般的な非交換可能なデータ分布に対して証明可能な信頼セットを生成する、CPに新しい効率的なアプローチを導入する。
  論文  参考訳（メタデータ） (2023-12-25T20:02:51Z)
• Boosted Control Functions: Distribution generalization and invariance in confounded models [10.503777692702952]
  非線形で非同定可能な構造関数が存在する場合でも分布の一般化を可能にする不変性という強い概念を導入する。 フレキシブルな機械学習手法を用いて,ブースト制御関数(BCF)を推定する制御Twicingアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-09T15:43:46Z)
• GCF: Generalized Causal Forest for Heterogeneous Treatment Effect Estimation in Online Marketplace [12.114394141790438]
  アップリフトモデリングは、機械学習と因果推論手法を用いて不均一な治療効果を推定する、急速に成長するアプローチである。 非パラメトリック線量応答関数(DRF)をカーネルベースの二重頑健な推定器を用いて局所的に推定できる因果林(CF)を拡張した。 合成および実世界の両方のデータセット上で、一般的なアップリフトモデルと比較することにより、GCFの有効性を示す。
  論文  参考訳（メタデータ） (2022-03-21T13:35:55Z)
• Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
  本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。 提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
  論文  参考訳（メタデータ） (2022-03-09T01:55:59Z)

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。