論文の概要: Causal Foundation Models with Continuous Treatments

• arxiv url: http://arxiv.org/abs/2605.15133v1
• Date: Thu, 14 May 2026 17:40:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.991686
• Title: Causal Foundation Models with Continuous Treatments
• Title（参考訳）: 連続処理による因果ファンデーションモデル
• Authors: Christopher Stith, Medha Barath, Vahid Balazadeh, Jesse C. Cresswell, Rahul G. Krishnan,
• Abstract要約: 本研究は, 連続治療における最初の因果基盤モデルについて述べる。 メタ学習モデルは、追加のトレーニングや微調整をすることなく、さまざまな未知のタスクにまたがる因果関係を予測できる。
• 参考スコア（独自算出の注目度）: 15.472291460830087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal inference, estimating causal effects from observational data, is a fundamental tool in many disciplines. Of particular importance across a variety of domains is the continuous treatment setting, where the variable of intervention has a continuous range. This setting is far less explored and represents a substantial shift from the binary treatment setting, with models needing to represent effects across a continuum of treatment values. In this paper, we present the first causal foundation model for the continuous treatment setting. Our model meta-learns the ability to predict causal effects across a wide variety of unseen tasks without additional training or fine-tuning. First, we design a novel prior over data-generating processes with continuous treatment variables in order to generate a rich causal training corpus. We then train a transformer to reconstruct individual treatment-response curves given only observational data, leveraging in-context learning to amortize expensive Bayesian posterior inference. Our model achieves state-of-the-art performance on individual treatment-response curve reconstruction tasks compared to causal models which are trained specifically for those tasks.
• Abstract（参考訳）: 観測データから因果効果を推定する因果推論は、多くの分野において基本的なツールである。 様々な領域において特に重要であるのは、介入の変数が連続的な範囲を持つ連続的な処理設定である。 このセッティングは、バイナリ処理セッティングからかなり大きな変化を示しており、処理値の連続体にわたって効果を表現する必要があるモデルである。 本稿では,連続処理環境における最初の因果基盤モデルについて述べる。 メタ学習モデルでは、学習や微調整を伴わずに、さまざまな未知のタスクに対して因果関係を予測できる。 まず,より豊かな因果学習コーパスを生成するために,連続的な処理変数を持つデータ生成プロセスに先立って,新しい手法を設計する。 次に,観測データのみを与えられた個別の処理応答曲線を再構成するためにトランスフォーマーを訓練し,文脈内学習を活用して高価なベイズ後部推論を記憶する。 本モデルでは, 個別の処理応答曲線再構成タスクに対して, それらのタスクに特化して訓練された因果モデルと比較して, 最先端の性能を実現する。

関連論文リスト

• Beyond the ATE: Interpretable Modelling of Treatment Effects over Dose and Time [46.2482873419289]
  本研究では, 治療効果トラジェクトリを線量および時間とともに滑らかな表面としてモデル化する枠組みを提案する。 本研究は, 臨床的に有意な特性の特定から, 軌道形状の推定を分離する。 本手法は, 処理力学の精度, 解釈可能, 編集可能なモデルを生成する。
  論文  参考訳（メタデータ） (2025-07-09T20:33:33Z)
• Deep Disentangled Representation Network for Treatment Effect Estimation [17.787544758117377]
  観察データから個々のレベルの治療効果を推定することは因果推論の根本的な問題である。 本稿では,多面的注意を伴う専門家の混在を考慮した新しい治療効果推定アルゴリズムを提案する。 我々は、公開半合成および実世界の両方の生産データセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2025-07-09T08:29:37Z)
• Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
  本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。 我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。 拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
  論文  参考訳（メタデータ） (2025-07-07T13:22:35Z)
• Towards Foundation Models for Critical Care Time Series [38.09906416210531]
  本稿では,コア処理変数を含む最初の大規模コレクションとして,シーケンスモデリングと転送学習研究のための調和データセットを提案する。 将来的には、このデータセットを拡張して、トランスファーラーニングのさらなる進歩と、重要な医療アプリケーションのためのスケーラブルで汎用的なモデルの開発をサポートする予定だ。
  論文  参考訳（メタデータ） (2024-11-25T12:49:55Z)
• Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
  本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。 オラクル形式は影響関数の一貫した近似であることを示す。 次に、平均二乗誤差の観点から総合収束解析を行う。
  論文  参考訳（メタデータ） (2023-09-22T12:18:53Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• Deep Bayesian Estimation for Dynamic Treatment Regimes with a Long Follow-up Time [28.11470886127216]
  動的治療体制(DTR)の因果効果推定は、シーケンシャルな意思決定に寄与する。 結果回帰モデルと高次元特徴に対する治療モデルを組み合わせる。 また、開発されたディープベイズモデルでは、不確実性をモデル化し、自動運転車や医療設計など、安全に配慮したアプリケーションに不可欠な予測分散を出力することができる。
  論文  参考訳（メタデータ） (2021-09-20T13:21:39Z)

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。