論文の概要: Debiased Counterfactual Generation via Flow Matching from Observations

• arxiv url: http://arxiv.org/abs/2605.07665v1
• Date: Fri, 08 May 2026 12:35:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.04372
• Title: Debiased Counterfactual Generation via Flow Matching from Observations
• Title（参考訳）: 観測結果からのフローマッチングによるデバイアスド・カウンターファクト生成
• Authors: Hugh Dance, Johnny Xi, Peter Orbanz, Benjamin Bloem-Reddy,
• Abstract要約: 介入下での対物分布の推定は、治療リスク評価と対物生成タスクの中心である。 標準的な仮定では、観察結果と反事実結果の分布は密接なリンクがあることが示される。 これらの特性は、スクラッチからではなく、観測分布から切り離された流れを通じて学習の反事実分布を動機付けている。
• 参考スコア（独自算出の注目度）: 4.188178237487111
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating counterfactual distributions under interventions is central to treatment risk assessment and counterfactual generation tasks. Existing approaches model the counterfactual distribution as a standalone generative target, without exploiting its relationship to the observational data. In this work, we show that under standard assumptions, observational and counterfactual outcome distributions are tightly linked: they have identical support and tail behavior, remain statistically close under weak confounding, and share any features of high-dimensional outcomes which are invariant to confounders. These properties motivate learning counterfactual distributions not from scratch, but via a deconfounding flow from the observational distribution. We formulate this problem via flow-matching and derive a semiparametrically efficient estimator based on a novel efficient influence function correction. We subsequently extend our estimator to target minimal-energy flows in high-dimensions, which we show can be especially simple targets between observational and counterfactual distributions. In experiments, deconfounding flows outperform existing debiased counterfactual distribution estimators, while also mitigating known failure modes of flow-based methods.
• Abstract（参考訳）: 介入下での対物分布の推定は、治療リスク評価と対物生成タスクの中心である。 既存のアプローチは、観測データとの関係を活用せずに、反事実分布を独立した生成対象としてモデル化する。 本研究は, 標準的な仮定の下では, 観測結果と反事実結果の分布は密接な結びつきを示し, 同一の支持と尾の挙動を持ち, 統計的に弱いコンバウンディングの下にとどまり, 共同創設者に不変な高次元結果の特徴を共有している。 これらの特性は、スクラッチからではなく、観測分布から切り離された流れを通じて学習の反事実分布を動機付けている。 フローマッチングを用いてこの問題を定式化し、新しい効率的な影響関数補正に基づく半パラメトリック効率推定器を導出する。 その後、我々は、高次元の最小エネルギー流を目標とする推定器を拡張し、特に観測的分布と反現実的分布の単純なターゲットであることを示す。 実験では、デコンウンディングフローは既存のデバイアスされた反ファクト分布推定器より優れ、フローベース手法の既知の障害モードを緩和する。

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)
• Beyond the Mean: Modelling Annotation Distributions in Continuous Affect Prediction [3.3187704612685267]
  ベータ分布を用いたアノテーションのコンセンサスをモデル化する分散対応フレームワークを提案する。 モデルでは、単一の影響値を予測する代わりに、アノテーション分布の平均と標準偏差を推定する。 その結果、このモデルは感情知覚の中心的な傾向だけでなく、アノテータ応答における変動性、非対称性、不確実性も捉えている。
  論文  参考訳（メタデータ） (2026-04-08T15:26:56Z)
• Statistical Inference via Generative Models: Flow Matching and Causal Inference [0.0]
  生成AIは目覚ましい経験的な成功を収めてきたが、統計学の観点から見れば、しばしば不透明である。 この本は、フローマッチングを中心的な例として、統計言語における生成AIを再解釈する。
  論文  参考訳（メタデータ） (2026-03-09T22:56:02Z)
• Counterfactual Realizability [52.85109506684737]
  本稿では, 正規化可能性の定義, 分布からサンプルを抽出する能力を導入し, 任意の反事実分布が実現可能であるかどうかを判定する完全アルゴリズムを開発する。 本稿では、因果的公正さと因果的強化学習のモチベーション例を用いて、この新たな反ファクト的データ収集フレームワークの意義を説明する。
  論文  参考訳（メタデータ） (2025-03-14T20:54:27Z)
• Robust Probabilistic Model Checking with Continuous Reward Domains [1.7829696876801548]
  本稿では,離散時間マルコフ連鎖における連続と離散の報酬分布を扱う新しい手法を提案する。 本手法は,真の分布の統計的特性を保ちながら,理論的に有界な誤差で報酬分布を近似する。
  論文  参考訳（メタデータ） (2025-02-06T22:03:18Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Counterfactual Generative Models for Time-Varying Treatments [15.208067770012283]
  公衆衛生・臨床科学における意思決定には, 治療の非現実的な結果の推定が不可欠である。 そこで本研究では, 時間変化処理下で, 反実例を生成できる新しい条件生成フレームワークを提案する。 合成データと実世界のデータの両方を用いて,本手法の徹底的な評価を行う。
  論文  参考訳（メタデータ） (2023-05-25T05:45:53Z)
• Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
  正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。 一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
  論文  参考訳（メタデータ） (2022-02-23T06:11:49Z)
• Predicting with Confidence on Unseen Distributions [90.68414180153897]
  ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。 分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。 具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
  論文  参考訳（メタデータ） (2021-07-07T15:50:18Z)
• Mind the Trade-off: Debiasing NLU Models without Degrading the In-distribution Performance [70.31427277842239]
  信頼性正則化という新しいデバイアス化手法を導入する。 モデルがバイアスを悪用するのを防ぐと同時に、トレーニングのすべての例から学ぶのに十分なインセンティブを得られるようにします。 提案手法を3つのNLUタスクで評価し,前者とは対照的に,アウト・オブ・ディストリビューション・データセットの性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-05-01T11:22:55Z)

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。