論文の概要: Causal Inference with Categorical Unobserved Confounder via Mixture Learning
- arxiv url: http://arxiv.org/abs/2605.19006v1
- Date: Mon, 18 May 2026 18:28:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:08.917326
- Title: Causal Inference with Categorical Unobserved Confounder via Mixture Learning
- Title（参考訳）: Mixture Learning を用いたカテゴリー的未観測創業者の因果推論
- Authors: Aytijhya Saha, Stephen Bates, Devavrat Shah,
- Abstract要約: 未保存の共同創設者が適切な条件下でカテゴリー化されている場合、因果効果が識別可能であることを示す。
本稿では, テンソル分解に基づく推定手法を提案する。
- 参考スコア（独自算出の注目度）: 20.542714966688656
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unobserved confounding is a fundamental challenge for estimating causal effects. To address unobserved confounding, recent literature has turned to two different approaches -- proxy variables and the use of multiple treatments. The first approach, commonly referred to as proximal causal inference, requires proxies to be assigned to specific asymmetric roles: treatment-inducing proxies (negative control exposures), variables that act as common causes of the treatment and outcome, and outcome-inducing proxies (negative control outcomes). In practice, however, identifying variables that satisfy these asymmetric roles can be difficult depending on the application domain. The second approach, commonly referred to as the ``Deconfounder," deals with multiple conditionally independent treatments. There has been limited progress towards developing a consistent estimation method for this setting. As the primary contribution of this work, we establish that causal effects are identifiable in both settings when the unobserved confounder is categorical under suitable conditions. Our approach builds on a mixture learning perspective: we show that the underlying confounding structure can be recovered by identifying the corresponding mixture distribution. We propose an estimation procedure based on tensor decomposition, which allows consistent recovery of the latent structure and comes with non-asymptotic guarantees. Simulation studies and real data experiments demonstrate that the proposed method performs well even with limited data.
- Abstract（参考訳）: 因果効果を推定するための基本的な課題は、未観測のコンバウンディングである。
観測不能なコンファウンディングに対処するため、最近の文献ではプロキシ変数と複数の処理の使用という、2つの異なるアプローチに移行している。
近位因果推論と呼ばれる最初のアプローチでは、プロキシは特定の非対称な役割に割り当てられる: 治療誘導プロキシ(負の制御露光)、治療と結果の共通原因として働く変数、結果誘導プロキシ(負の制御結果)。
しかし、実際には、これらの非対称な役割を満たす変数を特定することは、アプリケーションドメインによっては困難である。
2つ目のアプローチは、一般に ``Deconfounder' と呼ばれ、複数の条件に依存しない治療を扱う。
この設定のための一貫した推定方法の開発には、限定的な進展があった。
本研究の主な貢献として、未保存の共同設立者が適切な条件下でカテゴリー化されている場合に、因果関係が両方の設定で識別可能であることを確かめる。
提案手法は混合学習の視点に基づいており, 対応する混合分布を同定することにより, 基礎となる共起構造を復元可能であることを示す。
本稿では, テンソル分解に基づく推定手法を提案し, 非漸近的保証を伴って潜伏構造の一貫した回復を可能にする。
シミュレーション研究と実データ実験により,提案手法は限られたデータでも良好に動作することを示した。
関連論文リスト
- Identification of Causal Direction under an Arbitrary Number of Latent Confounders [54.76982125821112]
実世界のシナリオでは、観測された変数は複数の潜伏変数によって同時に影響を受けることがある。
我々は,特定の方法で構築された観測変数の高次累積行列を併用する。
これらの高次累積行列の階数不足特性から,2つの観測変数間の因果非対称性が直接観察可能であることを示す。
論文 参考訳（メタデータ） (2025-10-26T15:10:00Z) - Density Ratio-based Proxy Causal Learning Without Density Ratios [26.49087216375106]
本稿では,隠れた共起の存在下で観測データから因果効果を推定することを目的とした,プロキシ因果学習(PCL)の設定に対処する。
プロキシ変数の因果効果を推定する2つの手法が提案されている。
本稿では, 比比の明示的推定を回避し, 連続・高次元処理に適した第2の手法の実用的, 効果的な実装を提案する。
論文 参考訳（メタデータ） (2025-03-11T12:27:54Z) - Flexible Nonparametric Inference for Causal Effects under the Front-Door Model [2.6900047294457683]
本研究では, 平均治療効果, 平均治療効果の両面から, 新規な1段階, 目標最小損失ベース推定装置を開発した。
我々の推定器は観測されたデータ分布のパラメータ化に基づいて構築され、メディエータ密度を完全に回避するアプローチを含む。
因果効果推定器の効率を向上させるためにこれらの制約をどのように活用できるかを示す。
論文 参考訳（メタデータ） (2023-12-15T22:04:53Z) - Kernel Single Proxy Control for Deterministic Confounding [27.68132952123939]
結果が確定的に生成されると因果回復が可能であることを示す。
これは、単一のプロキシ変数を持つ因果メソッドに関する既存の作業を継続的処理設定に一般化する。
論文 参考訳（メタデータ） (2023-08-08T21:11:06Z) - 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) - Neighborhood Adaptive Estimators for Causal Inference under Network Interference [109.17155002599978]
ネットワークに接続された単位による古典的非干渉仮定の違反について考察する。
トラクタビリティでは、干渉がどのように広がるかを記述する既知のネットワークを考える。
論文 参考訳（メタデータ） (2022-12-07T14:53:47Z) - On Testability of the Front-Door Model via Verma Constraints [7.52579126252489]
フロントドア基準は、測定されていない共同設立者にもかかわらず因果関係を識別し、計算するために用いられる。
主要な仮定 -- 結果に対する治療の効果を完全に媒介する変数の存在と、類似したコンバウンディングの問題に同時に苦しめられていない変数の存在は、しばしば許し難いものとみなされる。
補助変数を含む穏やかな条件下では, 一般等式制約により, フロントドアモデルに符号化された仮定を検証できることを示す。
論文 参考訳（メタデータ） (2022-03-01T00:38:29Z) - Causal Mediation Analysis with Hidden Confounders [24.246450472404614]
CMA (Causal Mediation Analysis) は因果効果の同定と推定のための公式な統計手法である。
この研究は、統一された共著者とそのプロキシ変数による因果グラフに従うことによって、厳密な仮定を回避することを目的とする。
我々のコアコントリビューションは、深層潜伏変数モデルとプロキシ戦略を組み合わせたアルゴリズムであり、統一された代理共同創設者を共同で推論し、観測変数からCMAの異なる因果効果を推定する。
論文 参考訳（メタデータ） (2021-02-21T06:46:11Z) - 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) - Learning Decomposed Representation for Counterfactual Inference [53.36586760485262]
観察データから治療効果を推定する際の根本的な問題は、共同設立者の識別とバランスである。
これまでの方法の多くは、観察されたすべての事前処理変数を共同創設者として扱い、共同創設者と非共同創設者の識別をさらに無視することで、共同ファウンダーのバランスを実現していた。
本研究では,1)共同創設者と非共同創設者の両方の表現を学習することで共同創設者を同定し,2)再重み付け手法のバランスをとるとともに,同時に,反実的推論による観察研究における治療効果を推定する相乗的学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-12T09:50:42Z)
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。