論文の概要: BGM-IV: an AI-powered Bayesian generative modeling approach for instrumental variable analysis

• arxiv url: http://arxiv.org/abs/2605.07029v1
• Date: Thu, 07 May 2026 23:18:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.669472
• Title: BGM-IV: an AI-powered Bayesian generative modeling approach for instrumental variable analysis
• Title（参考訳）: BGM-IV: インストゥルメンタル変数解析のためのAIによるベイズ生成モデルアプローチ
• Authors: Guyue Luo, Qiao Liu,
• Abstract要約: 因果的に構造化された潜在空間において、非線形IV回帰を後部推論として再構成する潜在ベイズ生成モデルであるBGM-IVを提案する。 内在性を説明するために、BGM-IVは、確立された結果の確率を、計器による治療値よりも平均となるIV積分擬似リフタルに置き換える。
• 参考スコア（独自算出の注目度）: 3.582443146089385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instrumental-variable (IV) regression enables causal estimation under endogeneity, but modern IV problems often involve nonlinear structural effects and high-dimensional covariates. Existing nonlinear IV methods directly learn the causal relation in observed feature space or rely on learned representations within two-stage or moment-based procedures, which can struggle when the causal information is embedded in a high-dimensional representation. We propose BGM-IV, a latent Bayesian generative modeling approach that reframes nonlinear IV regression as posterior inference in a causally structured latent space. BGM-IV infers latent components that separately capture shared confounding structure, outcome-specific variation, treatment-specific variation, and covariate-only nuisance information. To account for endogeneity, BGM-IV replaces the confounded outcome likelihood with an IV-integrated pseudo-likelihood that averages over instrument-induced treatment values within the latent model. Across various benchmark datasets, BGM-IV remains competitive in the classical low-dimensional regime and performs best in high-dimensional covariate regimes. Together, these results show that structured latent generative modeling provides a principled and effective strategy to nonlinear IV estimation with rich covariates. The code of BGM-IV is available at https://github.com/liuq-lab/BGM-IV.
• Abstract（参考訳）: インスツルメンタル変数(IV)回帰は内在性の下で因果推定を可能にするが、現代のIV問題はしばしば非線形構造効果と高次元共変量を含む。 既存の非線形IV法は、観測された特徴空間における因果関係を直接学習するか、2段階またはモーメントベースの手順で学習された表現に依存する。 因果的に構造化された潜在空間において、非線形IV回帰を後部推論として再構成する潜在ベイズ生成モデルであるBGM-IVを提案する。 BGM-IVは、共有共役構造、結果特異的変異、治療特異的変化、共変量のみのニュアンス情報を別々にキャプチャする潜伏成分を推論する。 内在性を説明するため、BGM-IVは、確立された結果の確率を、潜伏モデル内の機器による治療値よりも平均となるIV積分擬似類似度に置き換える。 様々なベンチマークデータセットを通して、BGM-IVは古典的な低次元状態において競争力を持ち続け、高次元共変量状態において最高の性能を発揮する。 これらの結果は、構造化潜在生成モデルがリッチ共変量を用いた非線形IV推定に原則的かつ効果的な戦略を提供することを示している。 BGM-IVのコードはhttps://github.com/liuq-lab/BGM-IVで公開されている。

関連論文リスト

• Disentangled Instrumental Variables for Causal Inference with Networked Observational Data [19.568312273682768]
  本稿では,潜在共同設立者とのネットワーク観測データに基づく因果推論手法を提案する。 DisIVはネットワークの均一性を誘導バイアスとして利用し、遅延IVとして機能する個々の特定の成分を抽出するために構造的非絡み合い機構を用いる。
  論文  参考訳（メタデータ） (2026-02-08T01:45:21Z)
• Flow IV: Counterfactual Inference In Nonseparable Outcome Models Using Instrumental Variables [2.3213238782019316]
  標準IVの仮定の下では、治療と結果における潜伏雑音が厳密に単調で連立ガウス的であるという仮定とともに、治療と成果の関係は観測データから一意に特定される。 これにより、非分離モデルにおいても反ファクト推論が可能となる。 本手法は,観測結果の精度を最大化するために正規化フローをトレーニングすることにより実現し,基礎となる結果関数の正確な回復を実証する。
  論文  参考訳（メタデータ） (2025-08-02T11:24:03Z)
• Optimality and Adaptivity of Deep Neural Features for Instrumental Variable Regression [57.40108516085593]
  ディープ・フィーチャー・インスツルメンタル・変数(DFIV)回帰(Deep Feature instrumental variable)は、ディープ・ニューラルネットワークによって学習されたデータ適応的特徴を用いたIV回帰に対する非パラメトリックなアプローチである。 DFIVアルゴリズムは,目的構造関数がベソフ空間にある場合,最小最適学習率を実現する。
  論文  参考訳（メタデータ） (2025-01-09T01:22:22Z)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Learning Decision Policies with Instrumental Variables through Double Machine Learning [16.842233444365764]
  データリッチな設定における意思決定ポリシーの学習における一般的な問題は、オフラインデータセットにおける急激な相関である。 2段階IV回帰のバイアスを低減する非線形IV回帰法であるDML-IVを提案する。 IV回帰ベンチマークでは、最先端のIV回帰法よりも優れており、楽器の存在下で高い性能のポリシーを学ぶ。
  論文  参考訳（メタデータ） (2024-05-14T10:55:04Z)
• Regularized DeepIV with Model Selection [72.17508967124081]
  正規化DeepIV(RDIV)回帰は最小ノルムIV解に収束することができる。 我々の手法は現在の最先端の収束率と一致している。
  論文  参考訳（メタデータ） (2024-03-07T05:38:56Z)
• Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
  本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。 提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,CheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-05-20T03:12:23Z)
• Causal Inference with Conditional Instruments using Deep Generative Models [21.771832598942677]
  標準IVは、処理変数と関係があり、システム内の他のすべての変数とは独立していると期待されている。 変数を変数の集合に条件付けするための条件付きIV(CIV)法が提案されている。 平均因果効果推定のために,CIVの表現とその条件セットを,潜伏した共同設立者とのデータから学習することを提案する。
  論文  参考訳（メタデータ） (2022-11-29T14:31:54Z)
• Confounder Balancing for Instrumental Variable Regression with Latent Variable [29.288045682505615]
  本稿では,未測定の共同設立者からの共謀効果と,IV回帰における観察された共同設立者の不均衡について検討する。 我々は、計測されていない共同設立者からバイアスを取り除き、観察された共同設立者の不均衡を取り除くために、共同設立者バランスIV回帰(CB-IV)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-11-18T03:13:53Z)
• Instrumental Variable Value Iteration for Causal Offline Reinforcement Learning [107.70165026669308]
  オフライン強化学習(RL)では、事前収集された観測データのみから最適なポリシーが学習される。 遷移力学が加法的非線形汎関数形式を持つようなマルコフ決定過程について検討する。 そこで本稿では,条件付きモーメント制限の原始的2次元再構成に基づく,証明可能なIVVIアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-19T13:01:40Z)

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。