論文の概要: Causal Risk Minimization for High-Dimensional Treatments

• arxiv url: http://arxiv.org/abs/2605.27281v1
• Date: Tue, 26 May 2026 16:58:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:42.468826
• Title: Causal Risk Minimization for High-Dimensional Treatments
• Title（参考訳）: 高次元治療における因果リスク最小化
• Authors: Nikita Dhawan, Arnav Paruthi, Andrew Kim, Lovedeep Gondara, Jekaterina Novikova, Chris J. Maddison,
• Abstract要約: 我々は、因果推論を学習問題として再キャストするよく知られたアプローチを採用し、高次元処理空間に対処する。 因果誤差は,順序の増大によるモーメントバランスエラーと,因果推定を直接的に改善する設計目的に分解されることを示す。
• 参考スコア（独自算出の注目度）: 16.452129563607553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the effect of interventions with many possible variations, e.g., therapeutic content that affects mental health outcomes or an earnings call transcript that drives movement in share price, is useful across several domains. However, classical causal estimators tend to assume that all possible interventions are observed, which is infeasible when interventions vary widely, for instance, in the space of all text strings. We adapt a well-known approach of recasting causal inference as a learning problem, to address high-dimensional treatment spaces. Specifically, under standard assumptions like no unobserved confounding, we show that causal error decomposes into a series of moment-balancing errors of increasing order, and design objectives that directly improve causal estimation. We also show how to project the effect of a high-dimensional treatment onto lower-dimensional treatment attributes, which allows a single model to answer several causal questions without additional attribute-specific training. We empirically evaluate our estimators in settings with high-dimensional continuous, discrete, and text treatments, the last of which used a semi-synthetic dataset of Amazon Reviews. Our experiments demonstrate the benefit of higher-order balance error optimization and competitive performance of projected causal estimates with attribute-specific estimators.
• Abstract（参考訳）: 例えば、メンタルヘルスの結果に影響を及ぼす治療内容や、株価の動きを駆動する決算報告など、様々な可能性のある介入の効果を予測することは、いくつかの領域で有用である。 しかし、古典的な因果推定器は、すべての可能な介入が観測されると仮定する傾向があり、これは例えばすべての文字列の空間において、介入が広範囲に分散していれば実現不可能である。 我々は、因果推論を学習問題として再キャストするよく知られたアプローチを適用し、高次元の処理空間に対処する。 具体的には, 因果誤差が, 次数増加のモーメントバランス誤差と, 因果推定を直接的に改善する設計目的に分解されることを示す。 また,より低次元の処理属性に対する高次元的処理の効果を投影する方法を示す。 最後に,Amazon Reviewsの半合成データセットを用いて,高次元連続的,離散的,テキスト処理による評価を行った。 本実験は,属性固有推定器を用いた予測因果推定の高次バランス誤差最適化と競合性能の利点を実証する。

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)
• Higher-Order Causal Message Passing for Experimentation with Complex Interference [6.092214762701847]
  本研究では、因果的メッセージパッシングに基づく新しい推定器のクラスを導入し、広範で未知な干渉のある設定に特化して設計する。 我々の推定器は、サンプルの平均値と時間とともに単位結果と処理のばらつきから情報を抽出し、観測データの効率的な利用を可能にする。
  論文  参考訳（メタデータ） (2024-11-01T18:00:51Z)
• 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)
• Causal Dynamic Variational Autoencoder for Counterfactual Regression in Longitudinal Data [5.766786445424951]
  時間とともに治療効果を推定する現在の方法は、すべての共同創設者が観察されたり、観測されていないものを推測しようとしたりすることを前提としている。 提案手法は,結果列に因果的影響を特に与える未観測適応変数に着目した。 提案するCausal Dynamic Variational Autoencoder (CDVAE) は,遅延調整変数の有効性に関する理論的保証を前提としている。
  論文  参考訳（メタデータ） (2023-10-16T16:32:35Z)
• 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)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• 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)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。