論文の概要: Semiparametric Efficient Test for Interpretable Distributional Treatment Effects

• arxiv url: http://arxiv.org/abs/2605.08034v1
• Date: Fri, 08 May 2026 17:23:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.238024
• Title: Semiparametric Efficient Test for Interpretable Distributional Treatment Effects
• Title（参考訳）: 半パラメトリック能率試験による経時的分布処理効果の検討
• Authors: Houssam Zenati, Arthur Gretton,
• Abstract要約: カーネルテストは介入結果法則の相違を検出することができるが、グローバルテストは法の相違点を明らかにしない。 本稿では, DR-ME法を応用し, 最初の半原理的に効率的な有限配置法を提案する。
• 参考スコア（独自算出の注目度）: 22.387735135790702
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Distributional treatment effects can be invisible to means: a treatment may preserve average outcomes while changing tails, modes, dispersion, or rare-event probabilities. Kernel tests can detect discrepancies between interventional outcome laws, but global tests do not reveal where the laws differ. We propose DR-ME, to our knowledge the first semiparametrically efficient finite-location test for interpretable distributional treatment effects. DR-ME evaluates an interventional kernel witness at learned outcome locations, returning causal-discrepancy coordinates rather than only a global rejection. From observational data, we derive orthogonal doubly robust kernel features whose centered oracle form is the canonical gradient of this finite witness. For fixed locations, we characterize the local testing limit: DR-ME is chi-square calibrated under the null, has noncentral chi-square local power, and uses the covariance whitening that optimizes local signal-to-noise for discrepancies visible through the selected coordinates. This efficient local-power geometry yields a principled location-learning criterion, with sample splitting preserving post-selection validity. Experiments show near-nominal type-I error, competitive power against global doubly robust kernel tests, and interpretable learned locations that localize distributional effects in a semi-synthetic medical-imaging study.
• Abstract（参考訳）: 治療は、テール、モード、分散、希少な確率を変化させながら平均的な結果を維持することができる。 カーネルテストは介入結果法則の相違を検出することができるが、グローバルテストは法の相違点を明らかにしない。 本稿では, DR-MEを用いて, 最初の半パラメトリックな有限配置試験を行い, 解釈可能な分散処理効果について検討する。 DR-MEは、学習結果の場所における介入カーネルの目撃者を評価し、グローバルな拒絶よりも因果差座標を返却する。 観測データから、この有限目撃者の正準勾配を中心とする、直交的に二重に頑健なカーネル特徴を導出する。 DR-MEはNullの下で2乗校正され、非中央の2乗2乗2乗2乗の局所電力を持ち、選択した座標から見える不一致に対して、局所的な信号と雑音を最適化する共分散ホワイトニングを使用する。 この効率的な局所パワー幾何は、選択後の有効性を保ったサンプル分割を基本的位置学習基準とする。 実験では、半合成医学イメージング研究において、ほぼ無害なタイプIエラー、グローバルな2倍の堅牢なカーネルテストに対する競争力、分布効果を局所化する解釈可能な学習位置が示される。

関連論文リスト

• Improving RCT-Based Treatment Effect Estimation Under Covariate Mismatch via Calibrated Alignment [0.0]
  本稿では,各ソースの特徴を共通表現空間にマッピングする埋め込み学習により,インプットを回避したCALMを提案する。 OSの結果モデルはRTT埋め込み空間に転送され、試行データを用いて校正され、ランダム化による因果同定が保存される。
  論文  参考訳（メタデータ） (2026-03-19T17:43:12Z)
• Conditional Distributional Treatment Effects: Doubly Robust Estimation and Testing [2.2566128651384454]
  本稿では,条件分布処理の効果を捉えるための新しい評価法を提案する。 本研究では,条件付きポテンシャル分布の大域的均一性を検証した。 2つの自然な相違点に対して正確な閉形式式を導出する。
  論文  参考訳（メタデータ） (2026-03-17T17:35:32Z)
• Estimating Total Effects in Bipartite Experiments with Spillovers and Partial Eligibility [5.914780964919124]
  我々は、全てのユニットが相互作用を続けながら、処理側ユニットのサブセットのみを割り当てる2部システムにおけるランダム化実験について研究する。 適応性に制約のあるバイパートイト実験を形式化し,完全な展開に対応する推定値を定義する。 我々は、露出マッピング、一般化された確率スコア、フレキシブル機械学習を組み合わせた干渉対応アンサンブル推定器を開発した。
  論文  参考訳（メタデータ） (2025-11-14T18:55:51Z)
• An Orthogonal Learner for Individualized Outcomes in Markov Decision Processes [55.93922317950527]
  DRQ-learnerと呼ばれる新しいメタラーナーを開発した。 DRQ-learnerは離散状態空間と連続状態空間の両方の設定に適用できます。
  論文  参考訳（メタデータ） (2025-09-30T15:49:29Z)
• A Sample Efficient Conditional Independence Test in the Presence of Discretization [54.047334792855345]
  離散化されたデータに直接条件付き独立テスト(CI)は、誤った結論につながる可能性がある。 最近の進歩は、観測データをバイナライズすることで、潜伏変数間の適切なCI関係を推測することを目指している。 そこで本研究では,バイナライゼーションプロセスに依存しないサンプル効率のCIテストを提案する。
  論文  参考訳（メタデータ） (2025-06-10T12:41:26Z)
• 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)
• Can We Validate Counterfactual Estimations in the Presence of General Network Interference? [13.49152464081862]
  我々は、因果推論における推定と検証の両方に機械学習ツールを使うことを容易にするフレームワークを導入する。 新しい分布保存ネットワークブートストラップは、単一実験のデータから統計的に有意なサブポピュレーションを生成する。 ファクトファクトのクロスバリデーション手順は、モデル検証の原則を因果的設定のユニークな制約に適応させる。
  論文  参考訳（メタデータ） (2025-02-03T06:51:04Z)
• Proximity Matters: Local Proximity Preserved Balancing for Treatment Effect Estimation [25.941696352770272]
  観察データからの不均一な処理効果 (HTE) を推定することは, 治療選択バイアスによる重要な課題である。 既存の手法では、グローバルアライメントに焦点をあて、潜在空間における治療群間の分布の差異を最小化することで、このバイアスに対処している。 本稿では,HTE推定コンテキスト内での表現バランスに近接性を利用するために,PCR(Proximity-aware Counterfactual Regression)を提案する。
  論文  参考訳（メタデータ） (2024-07-01T09:20:26Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable Neural Distribution Alignment [52.02794488304448]
  そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。 入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
  論文  参考訳（メタデータ） (2020-03-26T22:10:04Z)
• Almost-Matching-Exactly for Treatment Effect Estimation under Network Interference [73.23326654892963]
  本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。 本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
  論文  参考訳（メタデータ） (2020-03-02T15:21:20Z)

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。