論文の概要: Representation Learning for Semiparametric Causal Mediation Analysis under No Essential Heterogeneity
- arxiv url: http://arxiv.org/abs/2607.10540v1
- Date: Sun, 12 Jul 2026 02:52:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.461995
- Title: Representation Learning for Semiparametric Causal Mediation Analysis under No Essential Heterogeneity
- Title（参考訳）: 非本質的不均一性を考慮した半パラメトリック因果メディエーション分析のための表現学習
- Abstract要約: 本稿では、深層表現学習とG推定を組み合わせた2段階構造媒介パラメータの推定手法を提案する。
より正確な第一段階表現学習により、より情報的なプラグイン近似が得られることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a two-stage estimator for structural mediation parameters that combines deep representation learning with G-estimation under the "no essential heterogeneity" (NEH) assumption. We call the method UNIT. In the first stage,TARNet estimates the heterogeneous effect of a randomized treatment on a mediator by learning a shared covariate representation across treatment arms.The resulting conditional average treatment effect (CATE) estimate provides a plug-in approximation to the heterogeneity-dependent component of the weight function entering the G-estimating equation of Zheng and Zhou (2015), which identifies the structural parameters even in the presence of unmeasured mediator-outcome confounding. We show that more accurate first-stage representation learning can yield a more informative plug-in weight and thereby improve the precision of the structural parameter estimator. In simulations with non-Gaussian covariates and nonlinear mediator effects, TARNet weights reduce the Stage-2 standard error of the mediation coefficient by a factor of $1.45$ to $1.51$ (median across replications, $n \ge 2000$) relative to the classical approach, at no cost to bias or coverage.
- Abstract（参考訳）: 本研究では, 深部表現学習とG推定を組み合わせた2段階構造媒介パラメータ推定器を提案する。
私たちはその方法をUNITと呼ぶ。
The first stage,TARNet estimated the heterogeneous effect of a randomized treatment on a mediator by learn a shared covariate representation across treatment arms, the result conditional average treatment effect (CATE) estimates provide a plug-in approxation to the heterogeneity-dependent component of the weight function enter the G-estating equation of Zheng and Zhou (2015)。
より正確な第1段階表現学習により、より情報的なプラグイン重みが得られ、構造パラメータ推定器の精度が向上することを示す。
非ガウス的共変量および非線形メディエーター効果によるシミュレーションにおいて、TARNetの重み付けは、古典的なアプローチと比較して、仲介係数のStage-2標準誤差を1.45$から1.51$(複製の中間値、$n \ge 2000$)に減らし、バイアスやカバレッジを伴わない。
関連論文リスト
- Machine Learning Surrogate Modeling for Homogenization of Hyperelastic Materials with Boolean Microstructures [0.0]
データ駆動サロゲートモデルは、異種物質の数値的均質化の代替となる。
ニューラルネットワークはスカラーと曲線の統計記述子の組み合わせに基づいて訓練される。
パラメータ空間の制限ケースを表す追加データは、トレーニングを安定させ、外挿動作を改善するために組み込まれている。
論文 参考訳（メタデータ） (2026-05-31T00:51:52Z) - Penalized GMM Framework for Inference on Functionals of Nonparametric Instrumental Variable Estimators [0.0]
本稿では,非パラメトリックな器用変数推定器の関数に対する自動デバイアス推定のためのペナル化GMMフレームワークを開発する。
PGMM推定器の収束率を導出し、根nの整合性および脱バイアス関数推定の正規性に関する条件を提供する。
論文 参考訳（メタデータ） (2026-03-31T15:38:27Z) - Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。
我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。
重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
論文 参考訳（メタデータ） (2026-02-24T05:32:03Z) - Improving Minimax Estimation Rates for Contaminated Mixture of Multinomial Logistic Experts via Expert Heterogeneity [49.809923981964715]
凍結したエキスパートとして機能する事前訓練されたモデルを、新しいタスクを学ぶためにトレーニング可能なエキスパートとして機能するアダプタモデルに統合するトランスファー学習手法によって、汚染された専門家の混合(MoE)が動機付けられる。
本研究は, 地絡パラメータがサンプルサイズによって異なる困難な条件下で, パラメータを推定するための一様収束率を特徴付ける。
また、対応するミニマックス下限を定め、これらのレートがミニマックス最適であることを保証する。
論文 参考訳（メタデータ） (2026-01-31T23:45:50Z) - Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳（メタデータ） (2025-02-11T19:24:09Z) - Semiparametric conformal prediction [79.6147286161434]
ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。
スコアの累積分布関数(CDF)を柔軟に推定する。
提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
論文 参考訳（メタデータ） (2024-11-04T14:29:02Z) - Method-of-Moments Inference for GLMs and Doubly Robust Functionals under Proportional Asymptotics [30.324051162373973]
高次元一般化線形モデル(GLM)における回帰係数と信号対雑音比の推定について考察する。
我々は、推論対象の一貫性と漸近的正規性(CAN)推定を導出する。
理論的結果を数値実験と既存文献との比較で補完する。
論文 参考訳（メタデータ） (2024-08-12T12:43:30Z) - Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。
我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
論文 参考訳（メタデータ） (2024-07-11T13:28:34Z) - Nearest Neighbor Sampling for Covariate Shift Adaptation [7.940293148084844]
重みを推定しない新しい共変量シフト適応法を提案する。
基本的な考え方は、ソースデータセットの$k$-nearestの隣人によってラベル付けされたラベル付けされていないターゲットデータを直接扱うことだ。
実験の結果, 走行時間を大幅に短縮できることがわかった。
論文 参考訳（メタデータ） (2023-12-15T17:28:09Z) - Learning Gaussian Mixtures with Generalised Linear Models: Precise
Asymptotics in High-dimensions [79.35722941720734]
多クラス分類問題に対する一般化線形モデルは、現代の機械学習タスクの基本的な構成要素の1つである。
実験的リスク最小化による高次元推定器の精度を実証する。
合成データの範囲を超えて我々の理論をどのように適用できるかを論じる。
論文 参考訳（メタデータ） (2021-06-07T16:53:56Z) - Doubly Robust Semiparametric Difference-in-Differences Estimators with
High-Dimensional Data [15.27393561231633]
不均一な治療効果を推定するための2段半パラメトリック差分差分推定器を提案する。
第1段階では、確率スコアを推定するために、一般的な機械学習手法が使用できる。
第2段階ではパラメトリックパラメータと未知関数の両方の収束率を導出する。
論文 参考訳（メタデータ） (2020-09-07T15:14:29Z)
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。