論文の概要: Shrinkage priors for Bayesian Substitute Confounders

• arxiv url: http://arxiv.org/abs/2606.18535v1
• Date: Tue, 16 Jun 2026 23:03:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.928652
• Title: Shrinkage priors for Bayesian Substitute Confounders
• Title（参考訳）: 白影氏、バイエルンの代替企業設立に先立ち
• Authors: Yordan P. Raykov, Hengrui Luo, Justin D. Strait, Wasiur R. KhudaBukhsh,
• Abstract要約: 粗大な多因性依存の減少を先行的に維持するスパース代行者の学習フレームワークを開発する。 提案した回帰調整型推定器は、対応する潜在変数同定仮定が成立すると、平均ポテンシャル結果に一貫性がある。
• 参考スコア（独自算出の注目度）: 2.1080886003173283
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-cause observational studies contain information about unmeasured confounding through the dependence structure among causes. However, literal imputation of the unobserved confounder is often more complex than learning a lower-dimensional substitute score that preserves the shared assignment variation needed for stable causal adjustment. The deconfounder (Wang and Blei, 2019) and related substitute confounder methods exploit this idea, but flexible assignment models can fit the joint distribution of the causes while producing scores that over-encode the treatment vector, collapse overlap, or capture single-cause variation. We develop a Bayesian factor assignment framework for learning sparse substitute confounders that retain coarse multi-cause dependence with shrinkage priors. The theory is stated at the level of posterior concentration, factor score contraction, and overlap-preserving assignment geometry and therefore does not rely on a particular shrinkage prior. Under these conditions, the proposed regression-adjusted estimators are consistent for mean potential outcomes when the corresponding latent variable identification assumptions hold. Shrinkage priors provide a natural tool for latent structural learning: they favour low-dimensional factors supported by multiple causes, discourage effectively single-cause factors, and induce an ordering of the latent factors through progressive shrinkage. Synthetic experiments illustrate the roles of signal strength, outcome validity, and geometry-aware regularization. In an Alzheimer's Disease Neuroimaging Initiative (ADNI) baseline analysis, sparse substitute scores recover much of the adjustment obtained by directly conditioning on invasive cerebrospinal-fluid biomarkers, while collapse diagnostics identify when fitted factors reduce to individual observed measurements.
• Abstract（参考訳）: 多面的な観測研究は、原因間の依存構造を通して測定されていない共起に関する情報を含んでいる。 しかし、保存されていない共同創設者のリテラル計算は、安定した因果調整に必要な共有代入変動を保存する下位次元の代入スコアを学習するよりも複雑であることが多い。 共同ファウンダー(Wang and Blei, 2019)と、それに関連する共同設立手法は、このアイデアを利用するが、フレキシブルな代入モデルは、治療ベクトルをオーバーエンコードしたり、重複を崩壊させたり、単一原因の変動を捉えたりするスコアを生成しながら、原因の結合分布に適合する。 縮小前の粗大な多元的依存を維持できるスパース代行者の学習のためのベイズ因子割り当てフレームワークを開発した。 この理論は、後続濃度、因子スコアの収縮、重なり保存される代入幾何のレベルで述べられており、従って、特定の縮退に依存してはいない。 これらの条件下では、回帰調整された推定器は、対応する潜在変数の同定仮定が成立すると、平均ポテンシャル結果に一貫性がある。 彼らは複数の原因によって支えられる低次元要因を好んでおり、効果的に単一原因要因を排除し、進行的な縮小を通じて潜在要因の順序付けを誘導する。 合成実験は、信号強度、結果の妥当性、および幾何認識正規化の役割を示す。 アルツハイマー病神経イメージングイニシアチブ(ADNI)のベースライン分析では、スパース代用スコアは、侵入性脳脊髄液生マーカーを直接条件付けすることで得られる調整の多くを回復する一方、適合因子が個々の測定値に減少すると崩壊診断が特定される。

関連論文リスト

• When Are Neural Interaction Discoveries Real? Identifiability, Recoverability, and a Pre-Fit Diagnostic [0.0]
  これは基本的には、観測された入力支援の幾何学によって支配される識別可能性の問題である。 表現能力が識別可能でないことを示す。 相互作用の回復性はサポート幾何学に依存することを示す。
  論文  参考訳（メタデータ） (2026-06-07T00:52:43Z)
• Causal Discovery with Mixed Latent Confounding via Precision Decomposition [0.0]
  微分可能およびスコアベースDAG学習者は、グローバル潜伏効果を因果エッジと誤解釈することができる。 我々は,これらの役割を分離したモジュール型高精度パイプラインであるtextscDCL-DECORを提案する。
  論文  参考訳（メタデータ） (2025-12-31T08:03:41Z)
• Hierarchical biomarker thresholding: a model-agnostic framework for stability [0.0]
  プールされたインスタンスに調整された閾値は、階層的依存、頻度シフト、スコアスケールのミスマッチによって、サイト全体で失敗することが多い。 患者レベルの決定を再現可能で、より確実にする階層的しきい値設定のための選択最善の枠組みを提案する。
  論文  参考訳（メタデータ） (2025-11-22T11:46:26Z)
• Spectral decomposition-assisted multi-study factor analysis [7.925272817108244]
  免疫細胞間の遺伝子関連性に関する3つの研究を統合する方法が適用された。 ファクタローディングの条件付き分布は、結果にまたがる単純な積形式を持つ。
  論文  参考訳（メタデータ） (2025-02-20T14:33:40Z)
• Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
  この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。 本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。 学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T02:38:21Z)
• Nonlinearity, Feedback and Uniform Consistency in Causal Structural Learning [0.8158530638728501]
  Causal Discoveryは、観測データから因果構造を学習するための自動探索手法を見つけることを目的としている。 この論文は因果発見における2つの疑問に焦点をあてる: (i) k-三角形の忠実性の代替定義を提供すること (i) (i) はガウス分布の族に適用されるとき強い忠実性よりも弱いこと (ii) 修正版の強忠実性が成り立つという仮定のもとに。
  論文  参考訳（メタデータ） (2023-08-15T01:23:42Z)
• 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)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• 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)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。