論文の概要: Causal Gaussian Processes for Robust Treatment Effect Evaluation with Unobserved Confounding

• arxiv url: http://arxiv.org/abs/2606.21809v1
• Date: Sat, 20 Jun 2026 00:05:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 03:02:56.144217
• Title: Causal Gaussian Processes for Robust Treatment Effect Evaluation with Unobserved Confounding
• Title（参考訳）: 未観測コンバウンディングによるロバスト処理効果評価のための因果ガウス過程
• Authors: Junzhe Zhang, Jingyuan Chen, Elias Bareinboim,
• Abstract要約: 本稿では, 連続領域に対する因果効果の評価を, 共起観測から検討する。 我々は,任意の因果モデルの観測的および介入的分布を効果的に近似する,因果的ガウス過程(CGP)モデルの新しいファミリーを開発する。
• 参考スコア（独自算出の注目度）: 65.76392290956525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The presence of confounding bias poses a key challenge in policy evaluation, as the target causal effects of actions are not identifiable (i.e., underdetermined) from observational data. On the other hand, existing confounding-robust evaluation strategies require detailed prior knowledge about the environment or apply only to discrete treatments and outcomes. This paper investigates causal effect evaluation over the continuous domain from confounded observations, while requiring only basic temporal ordering between the treatment and the outcome. We introduce a universal discretization of the exogenous domains that approximates the observational and interventional distributions of any causal model with arbitrary accuracy using a finite number of latent states. Building on this newfound universal approximation property, we develop a novel family of Causal Gaussian process (CGP) models that effectively approximate the observational and interventional distributions of any causal model with confounded observations.
• Abstract（参考訳）: 共起バイアスの存在は、行動の標的因果効果が観測データから識別できない(すなわち、過小評価されていない)ため、政策評価において重要な課題となる。 一方,既存のコンバウンディング・ロバスト評価戦略では,環境に関する詳細な事前知識が必要であり,個別の処理や結果にのみ適用できる。 本稿では, 連続領域に対する因果的効果の評価を, 治療と結果の時間的順序付けのみを必要としながら, 連続領域に対する因果的効果の評価について検討する。 有限個の潜在状態を用いて任意の精度で任意の因果モデルの観察的および介入的分布を近似する外生領域の普遍的離散化を導入する。 この新たな普遍近似特性を基盤として,任意の因果モデルの観測的および介入的分布を効果的に近似する,因果ガウス過程(CGP)モデルの新しいファミリーを開発する。

関連論文リスト

• Falsification of Unconfoundedness by Testing Independence of Causal Mechanisms [0.6906005491572399]
  本研究では,観測データを用いた設定において,未測定の共起の仮定をfalsifyするアルゴリズムを提案する。 提案手法は, 未測定の凹凸が観察因果機構に依存性を生じさせる可能性を秘めている。 本手法は,シミュレーションデータと半合成データの両方の共振を効率よく検出できることを示す。
  論文  参考訳（メタデータ） (2025-02-10T08:05:44Z)
• Bayesian Causal Inference with Gaussian Process Networks [1.7188280334580197]
  本稿では,ガウス過程ネットワークモデルにおける仮説的介入の効果のベイズ推定の問題について考察する。 本稿では,ネットワーク全体の介入の効果をシミュレートし,下流変数に対する介入の効果を伝播させることにより,GPNに対する因果推論を行う方法について述べる。 両フレームワークを既知の因果グラフのケースを超えて拡張し,マルコフ連鎖モンテカルロ法による因果構造の不確実性を取り入れた。
  論文  参考訳（メタデータ） (2024-02-01T14:39:59Z)
• Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation [137.3520153445413]
  下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。 我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。 研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
  論文  参考訳（メタデータ） (2023-07-11T02:58:10Z)
• Identification and multiply robust estimation in causal mediation analysis across principal strata [7.801213477601286]
  治療後イベントの存在下での因果仲裁の評価について検討する。 本研究では,各媒介推定値に対する効率的な影響関数を導出する。
  論文  参考訳（メタデータ） (2023-04-20T00:39:20Z)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)
• Distributionally Robust Causal Inference with Observational Data [4.8986598953553555]
  非確立性の標準的な仮定を伴わない観察研究における平均治療効果の推定を考察する。 本稿では,無観測の共同設立者が存在する可能性を考慮した,一般的な観察研究環境下での堅牢な因果推論の枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-15T16:02:33Z)
• The interventional Bayesian Gaussian equivalent score for Bayesian causal inference with unknown soft interventions [0.0]
  ゲノミクスのような特定の環境では、不均一な研究条件からのデータがあり、研究変数のサブセットのみに関連するソフトな(部分的な)介入がある。 観察データと介入データとの混合に対する介入BGeスコアを定義し,介入の目的と効果が不明である可能性がある。
  論文  参考訳（メタデータ） (2022-05-05T12:32:08Z)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)
• 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)

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。