論文の概要: Stop Suppressing the Tail: Causal Inference for Extreme Events

• arxiv url: http://arxiv.org/abs/2605.27474v2
• Date: Thu, 28 May 2026 02:25:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:54.749531
• Title: Stop Suppressing the Tail: Causal Inference for Extreme Events
• Title（参考訳）: テールを抑えるのをやめる:極端事象に対する因果推論
• Authors: Eichi Uehara,
• Abstract要約: Average DoseResponse(ADRF)はコア因果推論のプリミティブである。 標準頑健な二重機械学習(DML)は、これらの極端を意図的に抑制し、平均を安定させる。 金融リターンや気候の損失などの高水準設定では、この1-in-1000の極端な事象が実際の目標量である。 本研究は,標準点推定とともに構造付きテール形状出力を出力するADRF推定器を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating how an outcome responds to a continuous treatment (the Average Dose-Response Function, or ADRF) is a core causal-inference primitive. However, when outcomes possess heavy tails, standard robust double machine learning (DML) deliberately suppresses these extremes to stabilize the bulk average. In high-stakes settings, such as financial returns or climate losses, this omitted 1-in-1000 extreme event is the actual target quantity. Furthermore, current methods that read the tail from a model's residuals suffer from circular dependence, causing tail shape inferences to shift drastically based solely on whether the core estimator is switched between Huber and Welsch. The research proposes an ADRF estimator that emits a structured tail-shape output alongside the standard point estimate. Its tail diagnostic (PDHTE+JK) evaluates the per-treatment tail shape from the outcome centered by a pilot median, successfully breaking the circular dependence and rendering the diagnostic invariant to the choice of core method. The output encompasses four treatment-conditional quantities: tail shape $\hatξ(t)$, deep-tail return levels $\hat{Q}_α(t)$, conditional shortfalls $\hat{S}_α(t)$, the recovered mean ADRF, and an explicit refusal mechanism that declines extrapolation when extreme-value modeling is unsupported by the data. Compared to kernel-weighted quantile regression (QR), the proposed estimator reduces deep-tail ($α=0.001$) return-level MAE by 11% and conditional-shortfall MAE by 25.5% across a heavy-tailed panel. It also achieves a 20-29% MAE reduction in sample-scarce regimes ($n\le2000$). On freMTPL2 motor-insurance claims, it successfully triggered an explicit extrapolation refusal on the log-claim scale, which neither QR nor loss-only DML can produce.
• Abstract（参考訳）: 結果が継続的治療(平均線量応答関数、ADRF)にどのように反応するかを推定することは、コア因果推論プリミティブである。 しかし、結果が重い尾を持つ場合、標準頑健な二重機械学習(DML)は、これらの極端を意図的に抑制し、バルク平均を安定させる。 金融リターンや気候の損失などの高水準設定では、この1-in-1000の極端な事象が実際の目標量である。 さらに、モデル残差から尾を読み取る現在の手法は、ハマーとウェルシュの間でコア推定器が切り替わるかどうかのみに基づいて、尾形推論が劇的にシフトする原因となる。 本研究は,標準点推定と並行して構造付き尾形出力を出力するADRF推定器を提案する。 その尾部診断 (PDHTE+JK) は、パイロット中央値を中心とした結果から治療後尾部形状を評価し、円偏差を破り、コア法の選択に不変な診断を施す。 出力は4つの処理条件量を含む:tail shape $\hat'(t)$, deep-tail return level $\hat{Q}_α(t)$, conditional shortfalls $\hat{S}_α(t)$, recovered mean ADRF, and an explicit refusal mechanism that decreases extrapolation when extreme-value modeling is supported by the data。 カーネル重み付き量子レグレッション(QR)と比較して、提案した推定器はディープテール(α=0.001$)の戻り値MAEを11%減らし、条件付きショートフォールMAEを25.5%減らした。 また、サンプルスカース体制の20～29%のMAE削減(n\le2000$)も達成している。 freMTPL2のモーター・インシュアランス・クレームでは、QRも損失のみのDMLも生成できないログフォワードのスケールで明らかに外挿を拒絶した。

関連論文リスト

• Calibrated Inference for the Conditional Average Treatment Effect in the Few-Placebo Regime via Gaussian Processes [0.0]
  片方の治療用アームが他方よりもはるかに小さい,少数のプラセボ系について検討した。 それらは、その名目レベルよりも、真の効果をほとんど含まない。 本稿では,各アームの結果面をガウス過程でモデル化するGP-CATEを提案する。
  論文  参考訳（メタデータ） (2026-05-26T11:18:42Z)
• Learning Shrinks the Hard Tail: Training-Dependent Inference Scaling in a Solvable Linear Model [2.7074235008521246]
  ニューラルネットワークのスケーリング法則を最終層微細チューニングの解法モデルで解析する。 学習がエラー分布の「ハードテール」を小さくすることを示す。
  論文  参考訳（メタデータ） (2026-01-07T10:00:17Z)
• Regression-Based Estimation of Causal Effects in the Presence of Selection Bias and Confounding [52.1068936424622]
  治療が介入によって設定された場合、対象変数$Y$に対して、予測因果効果$E[Y|do(X)]$を推定する問題を考える。 選択バイアスや欠点のない設定では、$E[Y|do(X)] = E[Y|X]$ となる。 選択バイアスとコンバウンディングの両方を組み込んだフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-26T13:43:37Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Robust deep learning from weakly dependent data [0.0]
  本稿では, 弱い依存度を持つ観測結果から, 非有界損失関数と非有界入力/出力を含む頑健な深層学習を考察する。 これらの境界と$r$の関係を導き、データが任意の順序のモーメント(すなわち$r=infty$)を持つとき、収束率はよく知られた結果に近い。
  論文  参考訳（メタデータ） (2024-05-08T14:25:40Z)
• Retire: Robust Expectile Regression in High Dimensions [3.9391041278203978]
  ペナル化量子化法と期待回帰法は、高次元データの異方性検出に有用な手段を提供する。 我々は,頑健な期待回帰(退職)を提案し,研究する。 提案手法は半平滑なニュートン座標降下アルゴリズムにより効率よく解けることを示す。
  論文  参考訳（メタデータ） (2022-12-11T18:03:12Z)
• Doubly Robust Distributionally Robust Off-Policy Evaluation and Learning [59.02006924867438]
  オフ政治評価と学習(OPE/L)は、オフラインの観察データを使用してより良い意思決定を行う。 近年の研究では、分散ロバストなOPE/L (DROPE/L) が提案されているが、この提案は逆正則重み付けに依存している。 KL分散不確実性集合を用いたDROPE/Lの最初のDRアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-19T20:00:44Z)

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。