論文の概要: Amortizing Causal Sensitivity Analysis via Prior Data-Fitted Networks

• arxiv url: http://arxiv.org/abs/2605.10590v1
• Date: Mon, 11 May 2026 13:59:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.869958
• Title: Amortizing Causal Sensitivity Analysis via Prior Data-Fitted Networks
• Title（参考訳）: 先行データ入力ネットワークによる因果感度解析の精度向上
• Authors: Emil Javurek, Dennis Frauen, Marie Brockschmidt, Jonas Schweisthal, Stefan Feuerriegel,
• Abstract要約: 因果感度分析は、観測されていない共起の存在下で因果効果の推定値のバウンドを提供することを目的としている。 既存の因果感度分析の方法はインスタンスごとの手順であり、データセット、因果クエリ、感度レベル、処理に新しい計算を必要とする。 そこで本研究では,先行データ適応ネットワークに基づく因果感度解析のための償却手法を提案する。
• 参考スコア（独自算出の注目度）: 43.927835161998026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal sensitivity analysis aims to provide bounds for causal effect estimates in the presence of unobserved confounding. However, existing methods for causal sensitivity analysis are per-instance procedures, meaning that changes to the dataset, causal query, sensitivity level, or treatment require new computation. Here, we instead present an in-context learning approach. Specifically, we propose an amortized approach to causal sensitivity analysis based on prior-data fitted networks. A key challenge is that the sensitivity bounds are not directly available when sampling training data. To address this, we develop a general prior-data construction that is applicable across the class of generalized treatment sensitivity models. Our construction involves a Lagrangian scalarization of the objective to generate training labels for the bounds through a tradeoff between causal effect min/max-imization and sensitivity model violation, which avoids model-specific analytical derivations. We further show that, under standard convexity and linearity conditions, our objective recovers the full Pareto frontier of solutions. Empirically, we demonstrate our amortized approach across various datasets, causal queries, and sensitivity levels, where our approach achieves a test-time computation that is orders of magnitude faster than per-instance methods. To the best of our knowledge, ours is the first foundation model for in-context learning for causal sensitivity analysis.
• Abstract（参考訳）: 因果感度分析は、観測されていない共起の存在下で因果効果の推定値のバウンドを提供することを目的としている。 しかし、既存の因果感度分析法はインスタンスごとの手順であり、データセット、因果クエリ、感度レベル、処理に新しい計算を必要とする。 ここでは、代わりに、コンテキスト内学習アプローチを提示します。 具体的には,前データ適応型ネットワークに基づく因果感度解析のための償却手法を提案する。 重要な課題は、トレーニングデータをサンプリングする際に、感度境界が直接利用できないことである。 そこで本研究では,一般的な治療感度モデルのクラスにまたがって適用可能な,一般的な事前データ構築法を提案する。 我々の構成には、因果効果 min/max-imization と感度モデル違反のトレードオフを通じて境界のトレーニングラベルを生成する目的のラグランジアンスカラー化が含まれており、モデル固有の解析的導出を避けることができる。 さらに、標準凸性および線形性条件下では、我々の目的が解の完全なパレートフロンティアを回復することも示している。 実験的に、我々は様々なデータセット、因果クエリ、感度レベルにまたがるアモータイズされたアプローチを実証し、我々のアプローチは、インスタンスごとの手法よりも桁違いに高速なテスト時間計算を実現している。 我々の知識を最大限に活用するために、私たちの研究は、因果感受性分析のための文脈内学習のための最初の基礎モデルである。

関連論文リスト

• A Neural Framework for Generalized Causal Sensitivity Analysis [78.71545648682705]
  本稿では,因果感受性分析のためのニューラルネットワークフレームワークであるNeuralCSAを提案する。 我々は、NeuralCSAが関心の因果クエリに有効な境界を推測できることを理論的に保証する。
  論文  参考訳（メタデータ） (2023-11-27T17:40:02Z)
• Initialization Matters: Privacy-Utility Analysis of Overparameterized Neural Networks [72.51255282371805]
  我々は、最悪の近傍データセット上でのモデル分布間のKLばらつきのプライバシー境界を証明した。 このKLプライバシー境界は、トレーニング中にモデルパラメータに対して期待される2乗勾配ノルムによって決定される。
  論文  参考訳（メタデータ） (2023-10-31T16:13:22Z)
• Sensitivity-Aware Amortized Bayesian Inference [8.753065246797561]
  感度分析は、様々なモデリング選択が統計的分析の結果に与える影響を明らかにする。 ニューラルネットワークを用いたシミュレーションベース推論に感度解析を統合するための多面的アプローチである感性認識型ベイズ推論(SA-ABI)を提案する。 本稿では,本手法が病気発生のダイナミクスや地球温暖化のしきい値から人的意思決定に至るまで,応用モデリング問題における有効性を示す。
  論文  参考訳（メタデータ） (2023-10-17T10:14:10Z)
• Sharp Bounds for Generalized Causal Sensitivity Analysis [30.77874108094485]
  観測不能なコンバウンディング下での因果感度解析のための統一的な枠組みを提案する。 これには、(条件付き)平均治療効果、媒介分析および経路分析に対する効果、分布効果が含まれる。 我々の(条件付き)平均治療効果の限界は、因果感受性分析の最近の最適結果と一致する。
  論文  参考訳（メタデータ） (2023-05-26T14:44:32Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)

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。