Fugu-MT 論文翻訳(概要): Uncertainty-Guided LLM Semantic Augmentation for Heterogeneous Treatment Effect Estimation

論文の概要: Uncertainty-Guided LLM Semantic Augmentation for Heterogeneous Treatment Effect Estimation

arxiv url: http://arxiv.org/abs/2607.26599v1
Date: Wed, 29 Jul 2026 08:20:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-30 21:06:25.580975
Title: Uncertainty-Guided LLM Semantic Augmentation for Heterogeneous Treatment Effect Estimation
Title（参考訳）: 不確かさ誘導型LDMセマンティック拡張による不均一処理効果評価
Abstract要約: 不均一な治療効果を推定することは、パーソナライズされたプロモーションや精密な医療など、標的となる介入の中心である。本研究では, 条件付き平均治療効果 (CATE) に着目した。提案するCURL(Causal Uncertainty-Guided Representation Learning)は,推定器の不確実性を利用して,事前学習した意味能力を局所不安定単位に割り当てるプラグインアダプタである。
参考スコア（独自算出の注目度）: 9.269164572474216
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Estimating heterogeneous treatment effects is central to targeted interventions, such as personalized promotions and precision medicine. We focus on the conditional average treatment effect (CATE), a standard estimand for characterizing such heterogeneity. Even under standard identification conditions, finite-sample CATE estimation requires learning the nuisance structure for covariate adjustment and treatment-effect heterogeneity, often together with an effective representation of X. Raw numerical and categorical encodings can leave semantic relations and higher-order interactions implicit, making this joint task locally unstable. A motivating study further shows that this instability appears through partially separable assignment- and heterogeneity-side channels. Building on this observation, we propose CURL (Causal Uncertainty-guided Representation Learning), a plug-in adapter that uses estimator uncertainty to allocate pretrained semantic capacity to locally unstable units. CURL queries a frozen LLM through two role-conditioned prompts, constructs assignment- and heterogeneity-oriented representations from the observed covariates, and routes them through separated pathways. On four benchmarks, CURL improves ten host learners in most settings, while ablation, refinement-dynamics, route-reassignment, and probe analyses support the intended design and roles of the two channels.
Abstract（参考訳）: 不均一な治療効果を推定することは、パーソナライズされたプロモーションや精密な医療など、標的となる介入の中心である。本研究では, 条件付き平均治療効果 (CATE) に着目した。標準的な識別条件の下でも、有限サンプルCATE推定では、共変量調整と処理効果の不均一性のためのニュアンス構造を学習し、しばしばXの効果的な表現とともに学習する必要がある。さらに、モチベーション研究により、この不安定性は部分的に分離可能な割り当てと不均一性側チャネルを通して現れることが示されている。そこで本研究では,CURL (Causal Uncertainty-Guided Representation Learning) を提案する。 CURLは2つのロール条件のプロンプトを通して凍結LDMをクエリし、観察された共変体から代入および不均一性指向の表現を構築し、それらを分離された経路にルーティングする。 4つのベンチマークで、CURLは、ほとんどの設定で10人のホスト学習者を改善する一方、アブレーション、洗練された力学、ルート割り当て、プローブ分析は、2つのチャネルの設計と役割をサポートする。

関連論文リスト

Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-25T09:57:46Z)
Causal Inference with Categorical Unobserved Confounder via Mixture Learning [20.542714966688656]
未保存の共同創設者が適切な条件下でカテゴリー化されている場合、因果効果が識別可能であることを示す。本稿では, テンソル分解に基づく推定手法を提案する。
論文参考訳（メタデータ） (2026-05-18T18:28:16Z)
C-kNN-LSH: A Nearest-Neighbor Algorithm for Sequential Counterfactual Inference [18.510457926165373]
経時的軌跡から因果効果を推定することは、複雑な状態の進行の理解の中心である。シーケンシャル因果推論のための最寄りのフレームワークであるemphC-kNN-LSHを紹介する。
論文参考訳（メタデータ） (2026-02-02T17:35:57Z)
Causal Imitation Learning Under Measurement Error and Distribution Shift [6.038778620145853]
ノイズ測定によってのみ、決定関連状態の一部が観察される場合、オフライン模倣学習(IL)について検討する。本稿では,変数間の因果関係を明示的にモデル化することによって,測定誤差下でのILの一般的なフレームワークを提案する。
論文参考訳（メタデータ） (2026-01-29T18:06:53Z)
Learning Causality for Longitudinal Data [1.2691047660244335]
この論文は、高次元の時間変化データにおける因果推論と因果表現学習の手法を開発する。最初のコントリビューションは、個別処理効果(ITE)を推定するモデルであるCDVAE(Causal Dynamic Variational Autoencoder)の導入である。第2のコントリビューションでは,Contrastive Predictive Coding (CPC) とInfoMaxによって強化された RNN に基づく長期的反事実回帰のための効率的なフレームワークを提案する。第3のコントリビューションは、潜伏が観察された変数にどのように現れるかに対処することでCRLを前進させる。
論文参考訳（メタデータ） (2025-12-04T16:51:49Z)
Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文参考訳（メタデータ） (2023-12-27T09:03:43Z)
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)
Score-based Causal Representation Learning with Interventions [54.735484409244386]
本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
論文参考訳（メタデータ） (2023-01-19T18:39:48Z)
Disentanglement of Correlated Factors via Hausdorff Factorized Support [53.23740352226391]
本稿では,因子分布ではなく,因子化支援を助長する緩やかな解離基準,HFS(Hausdorff Factorized Support)基準を提案する。本研究では,HFSを用いることにより,様々な相関設定やベンチマークにおいて,接地構造因子の絡み合いと回復が一貫して促進されることを示す。
論文参考訳（メタデータ） (2022-10-13T20:46:42Z)
Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
論文参考訳（メタデータ） (2022-02-22T04:24:26Z)
Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文参考訳（メタデータ） (2021-11-15T03:16:56Z)

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。