論文の概要: Causal EpiNets: Precision-corrected Bounds on Individual Treatment Effects using Epistemic Neural Networks
- arxiv url: http://arxiv.org/abs/2605.07065v1
- Date: Fri, 08 May 2026 00:17:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:38.694381
- Title: Causal EpiNets: Precision-corrected Bounds on Individual Treatment Effects using Epistemic Neural Networks
- Title（参考訳）: Causal EpiNets: Prestemic Neural Networks を用いた個別治療効果の精度補正境界
- Authors: Gandharv Patil, Keyi Tang, Raquel Aoki, Leo Guelman,
- Abstract要約: 有限サンプルでは、標準プラグイン推定器は体系的に失敗する。
両病態を解析する有限サンプルPNS推定のためのニューラルネットワークフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 3.52150916506216
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Individual treatment effects are not point-identified from data. The Probability of Necessity and Sufficiency (PNS) circumvents this limitation by characterizing individual-level causality through intersection bounds derived from combined experimental and observational data. In finite samples, however, standard plug-in estimators systematically fail: they violate structural probability constraints and suffer from extremum bias induced by max-min operators, yielding spuriously narrow intervals. We propose a neural framework for finite-sample PNS estimation that resolves both pathologies. We introduce an anchored neural architecture that guarantees structural constraint satisfaction by construction. To correct extremum bias, we employ precision-corrected intersection-bound inference, leveraging Epistemic Neural Networks for scalable, high-dimensional uncertainty quantification. Empirical evaluations confirm that this approach maintains nominal coverage and exact constraint validity in high-dimensional regimes where standard estimators systematically undercover.
- Abstract（参考訳）: 個々の治療効果は、データからポイント識別されない。
PNS(Probability of Necessity and Sufficiency)は、実験データと観測データを組み合わせた交差境界を通じて個々のレベルの因果性を特徴付けることにより、この制限を回避する。
しかし、有限サンプルでは、標準的なプラグイン推定器が体系的に失敗し、構造的確率制約に反し、最大ミン作用素によって誘導される極端バイアスに悩まされ、急激な狭い間隔が生じる。
両病態を解析する有限サンプルPNS推定のためのニューラルネットワークフレームワークを提案する。
構築による構造的制約満足度を保証するアンカー付きニューラルネットワークアーキテクチャを導入する。
極端バイアスの補正には, 高精度に補正された交叉境界推定を用い, 拡張性, 高次元不確実性定量化に疫学ニューラルネットワークを応用した。
実験的な評価は、標準推定器が体系的に隠れた高次元の体制において、このアプローチが名目的カバレッジと厳密な制約妥当性を維持することを確認している。
関連論文リスト
- Beyond Consistency: Inference for the Relative risk functional in Deep Nonparametric Cox Models [7.2275111013288535]
Coxをベースとした最適化誤差が、部分的可能性の下で集団リスクにどのように伝播するかは明らかでない。
また、ポイントワイドバイアスがどのように制御できるのか、またアンサンブルに基づく不確実性が現実的な分散体制の下でどのように振る舞うのかも不明である。
これらの問題に対処するディープコックス推定器の分布理論を開発する。
論文 参考訳（メタデータ） (2026-03-25T01:43:12Z) - Evidential Perfusion Physics-Informed Neural Networks with Residual Uncertainty Quantification [1.96119233299268]
Evidential Perfusion Physics-Informed Neural Networks (EPPINN) を提案する。
EPPINNは、古典的なデコンボリューションやPINNベースラインよりも低い正規化平均絶対誤差を達成する。
臨床データでは、EPPINNは、最も高いボクセルレベルおよびケースレベルの梗塞コア検出感度を達成している。
論文 参考訳（メタデータ） (2026-03-10T08:39:34Z) - Causal Inference on Networks under Misspecified Exposure Mappings: A Partial Identification Framework [66.59051888063665]
ネットワーク上の因果推論のための新しい部分同定フレームワークを提案する。
露光マッピングの誤用下では, 直接的および漏出的効果に対して, 鋭い上下境界を導出する。
実験の結果, 境界は情報的であり, 露光写像の誤特定の下では信頼性の高い結論が得られた。
論文 参考訳（メタデータ） (2026-02-03T12:27:11Z) - Disentangling Aleatoric and Epistemic Uncertainty in Physics-Informed Neural Networks. Application to Insulation Material Degradation Prognostics [1.1417805445492082]
既存のPINベースの予後のアプローチは、決定論的あるいは不確実性のみを考慮し、リスク認識による意思決定に対する適合性を制限している。
この研究は、BNNと物理ベースの残差法則と事前分布を統合した、異例のベイズ物理学インフォームドニューラルネットワーク(B-PINN)フレームワークを導入する。
その結果,提案したB-PINNは,競合する手法よりも予測精度が向上し,系統的不確実性の推定精度が向上していることがわかった。
論文 参考訳（メタデータ） (2026-01-07T07:54:09Z) - Error Bounds of Supervised Classification from Information-Theoretic Perspective [0.0]
我々は、情報理論の観点から、教師付き分類にディープニューラルネットワークを使用する場合の予測リスクのバウンダリについて検討する。
経験的リスクをさらに分解したモデルリスクとフィッティングエラーを導入する。
論文 参考訳（メタデータ） (2024-06-07T01:07:35Z) - Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。
よりスムーズな関数との補間により、より一般化できることを示す。
論文 参考訳（メタデータ） (2023-05-30T19:37:44Z) - Inference on Strongly Identified Functionals of Weakly Identified
Functions [71.42652863687117]
本研究では,ニュアンス関数が存在しない場合でも,関数を強く識別するための新しい条件について検討する。
本稿では,プライマリおよびデバイアスのニュアンス関数に対するペナル化ミニマックス推定器を提案する。
論文 参考訳（メタデータ） (2022-08-17T13:38:31Z) - Generalization of Neural Combinatorial Solvers Through the Lens of
Adversarial Robustness [68.97830259849086]
ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。
本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。
他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。
驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
論文 参考訳（メタデータ） (2021-10-21T07:28:11Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳（メタデータ） (2020-03-04T12:27:36Z)
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。