論文の概要: ConfoundingSHAP: Quantifying confounding strength in causal inference

• arxiv url: http://arxiv.org/abs/2605.10533v1
• Date: Mon, 11 May 2026 13:19:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.840234
• Title: ConfoundingSHAP: Quantifying confounding strength in causal inference
• Title（参考訳）: コンファウンディングSHAP:因果推論におけるコンファウンディング強度の定量化
• Authors: Marie Brockschmidt, Santo M. A. R. Thies, Maresa Schröder, Dennis Frauen, Valentyn Melnychuk, Maximilian Muschalik, Eyke Hüllermeier, Stefan Feuerriegel,
• Abstract要約: 因果推論では、共同設立者は治療の決定と結果の両方に影響を与える変数である。 本稿では,各共変量に共起強度を寄与させるShapleyベースの手法であるConfoundingSHAPを紹介する。 様々なデータセットにまたがる実践的価値を実証する。
• 参考スコア（独自算出の注目度）: 70.18600230387723
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In causal inference, confounders are variables that influence both treatment decisions and outcomes. However, unlike as in randomized clinical trials, the treatment assignment mechanism in observational studies is not known, and it is thus unclear which covariates act as confounders. Here, we aim to generate insight for causal inference and answer: which of the observed covariates act as confounders? We introduce ConfoundingSHAP, a Shapley-based method for attributing confounding strength to individual covariates. Our contributions are twofold. First, we propose a Shapley game targeted to infer the confounding strength of the covariates. Our resulting Shapley values differ from the standard applications of SHAP explanations on causal targets, such as understanding treatment effect heterogeneity, which are ill-suited for our task. Second, as our task requires evaluating the value function over many adjustment sets, we provide a scalable TabPFN-based estimation that avoids exhaustive refitting. We demonstrate the practical value across various datasets, where ConfoundingSHAP provides informative explanations of which observed covariates drive confounding and thereby helps to provide more insight for causal inference in practice.
• Abstract（参考訳）: 因果推論では、共同設立者は治療の決定と結果の両方に影響を与える変数である。 しかし, ランダム化臨床試験と異なり, 観察研究における治療代行機構は分かっておらず, 共同設立者が共同設立者であるかどうかは不明である。 ここでは、因果推論と回答の洞察を生み出すことを目指しています。 本稿では,各共変量に共起強度を寄与させるShapleyベースの手法であるConfoundingSHAPを紹介する。 私たちの貢献は2倍です。 まず,共変数の共起強度を推定することを目的としたShapleyゲームを提案する。 以上の結果から得られたShapley値は,本課題に不適な治療効果の不均一性の理解などの因果的対象に対するSHAP説明の標準的な適用方法と異なる。 第二に、我々のタスクは、多くの調整セットに対する値関数の評価を必要とするので、拡張性のあるTabPFNベースの推定を提供することで、徹底的な調整を避けることができる。 本研究では,ConfoundingSHAPが観測された共変量がどのように共変を駆動するかを情報的に説明し,因果推論のより深い洞察を提供するための,様々なデータセットの実践的価値を示す。

関連論文リスト

• Causal Inference from Text: Unveiling Interactions between Variables [20.677407402398405]
  既存の方法は、治療と結果の両方に影響を及ぼす共変量しか説明できない。 このバイアスは、衝突しない共変量について十分に考慮されていないことから生じる。 本研究では,変数間の相互作用を明らかにすることにより,バイアスを軽減することを目的とする。
  論文  参考訳（メタデータ） (2023-11-09T11:29:44Z)
• Does Misclassifying Non-confounding Covariates as Confounders Affect the Causal Inference within the Potential Outcomes Framework? [4.074237603319893]
  潜在的なアウトカム・フレームワーク(POF)は因果推論の分野で重要な役割を果たしている。 我々はCIMs-POFのための統一的なグラフィカル・フレームワークを提案し、これらのモデルの基本原理の理解を大幅に強化する。
  論文  参考訳（メタデータ） (2023-08-22T13:18:13Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Partial Identification of Dose Responses with Hidden Confounders [25.468473751289036]
  観測データから連続的に評価された治療の因果効果を推定することが重要な課題である。 本稿では, 平均および条件付き平均連続値処理効果推定値の両方を束縛する新しい手法を提案する。 本手法を実世界の観測ケーススタディに適用し,線量依存因果効果の同定の価値を実証する。
  論文  参考訳（メタデータ） (2022-04-24T07:02:21Z)
• Proximal Reinforcement Learning: Efficient Off-Policy Evaluation in Partially Observed Markov Decision Processes [65.91730154730905]
  医療や教育などの観察データへのオフライン強化学習の適用においては、観察された行動は観測されていない要因に影響される可能性があるという一般的な懸念がある。 ここでは、部分的に観察されたマルコフ決定過程(POMDP)における非政治評価を考慮し、この問題に取り組む。 我々は、近位因果推論の枠組みをPOMDP設定に拡張し、識別が可能となる様々な設定を提供する。
  論文  参考訳（メタデータ） (2021-10-28T17:46:14Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• Targeted VAE: Variational and Targeted Learning for Causal Inference [39.351088248776435]
  観測データによる因果推論は、幅広いタスクで非常に有用である。 観察データを用いた因果推論の実施には,2つの重要な課題がある。 構造化推論とターゲット学習を組み合わせることで、これらの2つの課題に対処する。
  論文  参考訳（メタデータ） (2020-09-28T16:55:24Z)
• Off-policy Evaluation in Infinite-Horizon Reinforcement Learning with Latent Confounders [62.54431888432302]
  無限水平エルゴードマルコフ決定過程におけるOPE問題について考察する。 我々は、状態と行動の潜在変数モデルのみを考慮すれば、政策値が政治外のデータから特定できることを示す。
  論文  参考訳（メタデータ） (2020-07-27T22:19:01Z)

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。