論文の概要: Extended Wasserstein-GAN Approach to Causal Distribution Learning: Density-Free Estimation and Minimax Optimality

• arxiv url: http://arxiv.org/abs/2605.10206v1
• Date: Mon, 11 May 2026 08:52:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.667735
• Title: Extended Wasserstein-GAN Approach to Causal Distribution Learning: Density-Free Estimation and Minimax Optimality
• Title（参考訳）: 因果分布学習への拡張Wasserstein-GANアプローチ:密度自由推定と最小最適性
• Authors: Shu Tamano, Masaaki Imaizumi,
• Abstract要約: 分布因果推論は介入結果の分布を推定する必要がある。 GANベースのカウンターファクト法はこのタスクの柔軟なツールである。 本稿では,条件推定のためのGAN(GAN)を提案する。
• 参考スコア（独自算出の注目度）: 6.2000582635449994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distributional causal inference requires estimating not only average treatment effects but also interventional outcome distributions, including quantiles, tail risks, and policy-dependent uncertainty. As a method for distributional causal inference, generative adversarial network (GAN)-based counterfactual methods are flexible tools for this task. However, these methods have several limitations. First, the objectives of certain techniques do not coincide with the statistical risk of the identifiable causal target, and therefore provide limited theoretical guarantees regarding estimable counterfactual distributions or optimality. Second, they tend to rely on unstable density-based methods, such as density ratio estimation. In this paper, we propose GANICE (GAN for Interventional Conditional Estimation) with several advantages: it (i) clarifies the conditional interventional distribution for each treatment--covariate state as the causal estimation target; (ii) estimates the conditional distribution such that its averaged Wasserstein risk is minimized; (iii) establishes minimax optimality. GANICE achieves these advantages through the introduction of the extended Wasserstein distance, the incorporation of a cellwise critic in its dual, and an optimality proof based on Besov space theory. Our experiments demonstrate that GANICE consistently outperforms existing methods.
• Abstract（参考訳）: 分布因果推論は、平均的な治療効果だけでなく、量子論、尾のリスク、政策に依存した不確実性を含む介入結果の分布も推定する必要がある。 分散因果推論の手法として,GAN(Generative Adversarial Network)に基づく逆ファクト法がこのタスクの柔軟なツールである。 しかし、これらの手法にはいくつかの制限がある。 第一に、特定の手法の目的は、同定可能な因果的対象の統計的リスクと一致せず、従って、推定可能な反事実分布や最適性に関する限られた理論的保証を提供する。 第二に、密度比推定のような不安定な密度に基づく手法に依存する傾向がある。 本稿では,GANICE (GAN for Interventional Conditional Estimation) の利点について述べる。 一 治療ごとの条件的介入分布の明確化--因果推定対象としての共変状態 (ii) 平均的なワッサーシュタインリスクが最小化される条件分布を推定すること。 (iii)ミニマックス最適性を確立する。 GANICEは、拡張ワッサーシュタイン距離の導入、セルワイズ評論家の双対への取り込み、ベソフ空間理論に基づく最適性証明によってこれらの利点を達成する。 実験の結果,GANICEは既存の手法より一貫して優れていることがわかった。

関連論文リスト

• Flow-Based Density Ratio Estimation for Intractable Distributions with Applications in Genomics [80.05951561886123]
  我々は条件認識フローマッチングを利用して、生成軌道に沿った密度比を追跡するための1つの動的定式化を導出する。 クローズドフォーム比推定のためのシミュレーションベンチマーク上での競合性能を実証し,本手法が単一セルゲノミクスデータ解析における多目的タスクをサポートすることを示す。
  論文  参考訳（メタデータ） (2026-02-27T17:27:55Z)
• Towards Anytime-Valid Statistical Watermarking [63.02116925616554]
  我々は、任意の時間価推論で最適なサンプリングを統一する、最初のe-value-based watermarking frameworkであるAnchored E-Watermarkingを開発した。 本フレームワークはサンプル効率を大幅に向上させ,最先端のベースラインに対して,検出に必要な平均トークン予算を13～15%削減する。
  論文  参考訳（メタデータ） (2026-02-19T18:32:26Z)
• Conformal Prediction for Multi-Source Detection on a Network [59.17729745907474]
  マルチソース検出問題について検討する。 グラフ上のノード感染状況のスナップショットが与えられた場合、伝播を開始するソースノードのセットを推定する。 本稿では,ソースセット検出のための統計的に有効なリコール保証を提供する新しいコンフォメーション予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-12T01:09:56Z)
• Distributionally robust risk evaluation with an isotonic constraint [20.74502777102024]
  分布的に堅牢な学習は、不確実な分布の集合内で最悪のケースの統計性能を制御することを目的としている。 本稿では,未知のターゲット分布が推定値と異なる方法に関する事前情報を組み込んだDRLの形状制約手法を提案する。 合成データと実データの両方に関する実証研究は、提案した形状制約手法の精度の向上を実証している。
  論文  参考訳（メタデータ） (2024-07-09T13:56:34Z)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Confidence and Uncertainty Assessment for Distributional Random Forests [1.2767281330110625]
  分布ランダムフォレスト (DRF) は条件分布を推定するために最近導入されたランダムフォレストである。 条件平均処理効果、条件量子化、条件相関など、幅広いターゲットを推定するために使用できる。 DRFのアルゴリズムを特徴付け、ブートストラップ近似を開発する。
  論文  参考訳（メタデータ） (2023-02-11T19:10:01Z)
• Domain-Specific Risk Minimization for Out-of-Distribution Generalization [104.17683265084757]
  まず、適応性ギャップを明示的に考慮した一般化境界を確立する。 本稿では,目標に対するより良い仮説の選択を導くための効果的なギャップ推定法を提案する。 もう1つの方法は、オンラインターゲットサンプルを用いてモデルパラメータを適応させることにより、ギャップを最小化することである。
  論文  参考訳（メタデータ） (2022-08-18T06:42:49Z)

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。