論文の概要: IV-ICL: Bounding Causal Effects with Instrumental Variables via In-Context Learning

• arxiv url: http://arxiv.org/abs/2605.12924v1
• Date: Wed, 13 May 2026 03:00:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.774021
• Title: IV-ICL: Bounding Causal Effects with Instrumental Variables via In-Context Learning
• Title（参考訳）: IV-ICL:インテクスト学習による楽器変数による因果効果のバウンディング
• Authors: Vahid Balazadeh, Hamidreza Kamkari, Medha Barath, Ricardo Silva, Rahul G. Krishnan,
• Abstract要約: IV-ICLは、因果効果の限界後部分布を直接学習し、その量子化として境界を導出するアモータイズされたベイズ内文脈学習法である。 合成および半合成IVベンチマーク上でIV-ICLを評価し,より信頼性が高く,より情報性の高い間隔を生成することを示す。
• 参考スコア（独自算出の注目度）: 11.804716294874018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The instrumental-variables (IV) setting is standard for partial identification of causal effects when unobserved confounding makes point identification impossible. Existing approaches face methodological bottlenecks: closed-form bound estimands are required -- e.g., Balke-Pearl equations in binary IV -- and even when available, designing accurate estimators requires manual effort tailored to each estimand. While direct Bayesian inference of the causal effects, instead of the bounds, circumvents these challenges, it is often computationally intensive and suffers from high prior sensitivity or under-dispersed posteriors. As a remedy, we introduce IV-ICL, an amortized Bayesian in-context learning method that learns the marginal posterior distribution of the causal effects directly and derives bounds as its quantiles. Unlike standard variational inference that optimizes exclusive KL divergence, amortized Bayesian inference minimizes the expected inclusive KL, a mass-covering objective. We empirically observe that optimizing inclusive KL can recover the entire identified set across diverse data-generating processes, while exclusive-KL (e.g. with variational inference) of the same Bayesian formulation collapses onto a single mode and fails to cover the identified set. We evaluate IV-ICL on synthetic and semi-synthetic IV benchmarks and show it produces intervals that are more reliably valid and more informative compared to efficient semi-parametric, Bayesian, and plug-in baselines, at 20-500x lower inference time. Beyond methodology, we propose a procedure to convert randomized controlled trials into IV benchmarks with provably preserved ground-truth causal effects that enables a more realistic evaluation of partial-identification methods.
• Abstract（参考訳）: インストゥルメンタル変数(IV)設定は、観測されていない凹凸が点同定を不可能にするときに因果効果の部分的同定に標準である。 既存のアプローチでは方法論的なボトルネックに直面している: 閉形式の有界推定(例えば、バイナリIVにおけるバルケ・パール方程式)が必要であり、もし可能であれば、正確な推定器を設計するには各推定器に合わせて手作業が必要である。 境界ではなく因果効果の直接的ベイズ推定はこれらの問題を回避するが、しばしば計算的に集中し、高い事前の感度や低い分散後部に悩まされる。 そこで本研究では, 因果効果の極端後方分布を直接学習し, 境界を量子化として導出するアモータイズしたベイズ的インコンテキスト学習法であるIV-ICLを紹介する。 排他的KLの発散を最適化する標準的な変分推論とは異なり、償却ベイズ推論は、質量被覆目的である期待包含的KLを最小化する。 我々は,同一ベイズ方程式の排他的KL(例:変分推論)が単一モードに崩壊し,同定された集合をカバーできないのに対し,包括的KLの最適化は,様々なデータ生成過程にまたがって識別集合全体を復元することができることを実証的に観察した。 合成および半合成IVベンチマーク上でIV-ICLを評価し, 効率の良い半パラメトリック, ベイジアン, プラグインベースラインに比べ, 20～500倍低い推論時間で, より信頼性が高く, より情報的な間隔を生成することを示した。 提案手法は, ランダム化による制御試験を, より現実的な部分同定手法の評価を可能にする, 確実に保存された地道因果効果を持つIVベンチマークに変換する手法である。

関連論文リスト

• Flow IV: Counterfactual Inference In Nonseparable Outcome Models Using Instrumental Variables [2.3213238782019316]
  標準IVの仮定の下では、治療と結果における潜伏雑音が厳密に単調で連立ガウス的であるという仮定とともに、治療と成果の関係は観測データから一意に特定される。 これにより、非分離モデルにおいても反ファクト推論が可能となる。 本手法は,観測結果の精度を最大化するために正規化フローをトレーニングすることにより実現し,基礎となる結果関数の正確な回復を実証する。
  論文  参考訳（メタデータ） (2025-08-02T11:24:03Z)
• 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)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Distributional Instrumental Variable Method [4.34680331569334]
  本研究の目的は介入分布全体を推定することである。 非線形IV設定における生成モデルを用いたDIV(Distributedal Instrumental Variable)法を提案する。
  論文  参考訳（メタデータ） (2025-02-11T15:33:06Z)
• Estimating Heterogeneous Treatment Effects by Combining Weak Instruments and Observational Data [44.31792000298105]
  病状平均治療効果(CATE)の正確な予測は、パーソナライズされた医療とデジタルプラットフォーム分析において重要である。 我々は,信頼性の高いCATE推定を実現するために,IVと観測データを組み合わせた新しい手法を開発した。
  論文  参考訳（メタデータ） (2024-06-10T16:40:55Z)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Regularized DeepIV with Model Selection [72.17508967124081]
  正規化DeepIV(RDIV)回帰は最小ノルムIV解に収束することができる。 我々の手法は現在の最先端の収束率と一致している。
  論文  参考訳（メタデータ） (2024-03-07T05:38:56Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
  統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。 本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
  論文  参考訳（メタデータ） (2022-08-29T16:16:22Z)

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。