論文の概要: Disentangled Double Machine Learning for Accurate Causal Effect Estimation
- arxiv url: http://arxiv.org/abs/2605.24808v1
- Date: Sun, 24 May 2026 01:40:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:18.457487
- Title: Disentangled Double Machine Learning for Accurate Causal Effect Estimation
- Title（参考訳）: 高精度因果効果推定のためのディスタングルダブル機械学習
- Abstract要約: 共起バイアスは観測データから因果効果を推定する上で重要な課題である。
二重機械学習(Double Machine Learning, DML)は、処理と結果ニュアンス関数を推定することによってこの問題に対処する。
DMLは高次元または有限サンプルのシナリオにおいてバイアス付きおよび不安定な推定をしばしば生成する。
本稿では,2つの重要な戦略を統合する新しいアルゴリズムであるDistangled Double Machine Learning (DDML)を提案する。
- 参考スコア（独自算出の注目度）: 80.07136847623498
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Confounding bias is a key challenge in causal effect estimation from observational data. Double Machine Learning (DML) addresses this issue by estimating treatment and outcome nuisance functions, constructing treatment and outcome residuals, and estimating causal effects from the residuals. However, DML often produces biased and unstable estimates in highdimensional or finite-sample scenarios. One reason is that DML estimates nuisance functions using all covariates without disentangling distinct latent factors, resulting in unreliable nuisance function estimation. Another is that imprecise nuisance estimation further introduces residual dependence between the treatment residual and the remaining outcome error, undermining the accuracy of causal effect estimates. To address these issues, in this paper, we propose Disentangled Double Machine Learning (DDML), a novel algorithm that integrates two key strategies. First, a causal role disentanglement strategy decomposes covariates into confounders, treatment-specific factors, and outcomespecific factors for enabling reliable nuisance function estimation. And second, a residual dependence orthogonalization strategy mitigates residual dependence caused by nuisance estimation errors for enhancing the precision of causal effect estimates. Experimental results on synthetic, semi-synthetic, and real-world datasets demonstrate that DDML significantly outperforms 13 state-of-the-art baseline algorithms in both MAE and RMSE.
- Abstract（参考訳）: 共起バイアスは観測データから因果効果を推定する上で重要な課題である。
二重機械学習(Double Machine Learning, DML)は、処理と結果ニュアンス関数を推定し、処理と結果残差を構築し、残余から因果効果を推定することによってこの問題に対処する。
しかし、DMLは高次元または有限サンプルのシナリオにおいてバイアス付きおよび不安定な推定をしばしば生成する。
1つの理由は、DMLが異なる潜伏因子を混同することなく全ての共変量を用いてニュアンス関数を推定し、信頼できないニュアンス関数を推定するからである。
もうひとつは、不正確なニュアンス推定は、処理残差と残りの結果誤差の間の残差を更に導入し、因果効果推定の精度を損なうことである。
これらの問題に対処するため,本稿では2つの重要な戦略を統合する新しいアルゴリズムである Disentangled Double Machine Learning (DDML) を提案する。
まず、因果的役割の切り離し戦略は、信頼できるニュアンス関数推定を可能にするために、共同創設者、治療特化要因、結果特化要因に分解する。
第2に、残留依存直交化戦略は、ニュアンス推定誤差に起因する残留依存を軽減し、因果効果推定の精度を高める。
合成,半合成,実世界のデータセットによる実験結果は,DDMLがMAEとRMSEの両方で13の最先端のベースラインアルゴリズムを著しく上回っていることを示している。
関連論文リスト
- Learning heterogeneous treatment effects under principal stratification [4.965155763091777]
主無知下における条件付き主因果効果の同定と推定について検討した。
本稿では,主成層に固有のネスト状ニュアンス構造を解消する,二重整合型二重剛性機械を提案する。
論文 参考訳（メタデータ） (2026-06-27T20:27:17Z) - Estimating Treatment Effects with Independent Component Analysis [30.83679633039883]
独立成分分析(ICA)は部分線形回帰(PLR)モデルにおける因果効果推定に有効であることを示す。
線形ICAはガウスの共同設立者や非線形ニュアンスの存在下でも正確に複数の治療効果を推定できることがわかった。
論文 参考訳（メタデータ） (2025-07-22T11:16:23Z) - A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。
逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。
本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
論文 参考訳（メタデータ） (2025-05-16T17:00:52Z) - Black Box Causal Inference: Effect Estimation via Meta Prediction [56.277798874118425]
因果推論はデータセットレベルの予測問題であり,アルゴリズム設計を学習プロセスにオフロードする。
我々は,ブラックボックス因果推論 (BBCI) と呼ばれる,サンプルデータセットと効果ペアの因果効果の予測を学習することにより,ブラックボックス方式で推定器を構築する。
我々は,いくつかの因果推論問題に対して,BBCIを用いた平均治療効果(ATE)と条件平均治療効果(CATE)を正確に推定した。
論文 参考訳（メタデータ） (2025-03-07T23:43:19Z) - 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) - Proximal Causal Learning of Conditional Average Treatment Effects [0.0]
異種治療効果を学習するための2段階損失関数を提案する。
提案手法は,市販の損失最小化機械学習手法により実装できる。
論文 参考訳（メタデータ） (2023-01-26T02:56:36Z) - Discovering Heterogeneous Treatment Effects in Regression Discontinuity Designs [0.0]
本稿では,ファジィ回帰不連続設計における処理効果の不均一性を明らかにするための因果教師付き機械学習アルゴリズムを提案する。
モンテカルロシミュレーションを用いて本手法の性能を検証し,ルーマニアのより良い中等教育に通うことによる異質性の諸源を明らかにする。
論文 参考訳（メタデータ） (2021-06-22T09:47:28Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T14:29:07Z) - Confounding Feature Acquisition for Causal Effect Estimation [6.174721516017138]
我々は,この課題を因果推論のための特徴獲得の問題として捉えている。
我々のゴールは、効率的な平均治療効果の推定につながるサンプルにおいて、行方不明の共同創業者の固定的で既知のサブセットの取得値を優先順位付けすることです。
論文 参考訳（メタデータ） (2020-11-17T16:28:43Z) - Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond [69.83813153444115]
因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。
Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。
本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
論文 参考訳（メタデータ） (2019-12-30T14:42:52Z)
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。