論文の概要: Spatiotemporal Proximal Causal Inference under Hidden Confounding and Interference

• arxiv url: http://arxiv.org/abs/2608.01352v1
• Date: Sun, 02 Aug 2026 16:13:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.172476
• Title: Spatiotemporal Proximal Causal Inference under Hidden Confounding and Interference
• Title（参考訳）: 隠れたコンバウンディングと干渉による時空間近位因果推論
• Abstract要約: 現実の時間的データから因果関係を推定することは、隠れた共同設立者のために困難である。 本稿では,トランスをベースとしたエンコーダを用いて学習するニューラルネットワークを提案する。 合成データセットを用いた実験により,本手法はベースライン因果推論法に匹敵する性能を示した。
• 参考スコア（独自算出の注目度）: 0.1722077777621077
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Estimating causal effects from real-world spatiotemporal data is challenging due to hidden confounders and interference. Standard causal identification methods assume conditional exchangeability given observed covariates, which fails whenever hidden confounders affect both treatment and outcomes - a common setting in domains such as climate, environmental policy, epidemiology, and regional economics. In this paper, we propose a novel spatiotemporal proximal causal inference framework that extends proximal identification theory to spatiotemporal settings. The proposed method jointly captures local and neighborhood-level confounding information by introducing treatment- and outcome-inducing proxies, and we derive a spatiotemporal outcome confounding bridge function that identifies the potential outcome without requiring direct recovery of the hidden confounder. We establish the identifiability of this bridge function under proxy exclusion restrictions and a spatiotemporal completeness condition, and show that the resulting estimator recovers the outcome through a proximal generalization of the g-computation formula. To operationalize this identification result, we propose a neural architecture that learns proxies via transformer-based spatiotemporal encoders - coupled with a conditional mutual information critic to enforce exclusion restrictions and a moment-matching network to guarantee that the learned bridge function satisfies the underlying identifying equation. We further introduce a stabilized weighting scheme to address treatment support imbalance. Experiments on synthetic datasets demonstrate that our approach achieves comparable performance to baseline causal inference methods, while providing, to our knowledge, the first theoretically grounded outcomes for the hidden confounding in the presence of spatiotemporal interference through a proximal causal inference framework.
• Abstract（参考訳）: 現実の時空間データから因果関係を推定することは、隠れた共同設立者と干渉のために困難である。 標準的な因果同定法では、観測された共変量によって条件付き交換性が仮定されるが、これは隠れた共同設立者が治療と成果の両方に影響を与えるときに失敗する - 気候、環境政策、疫学、地域経済学などの領域でよく見られる設定である。 本稿では, 近時性同定理論を時空間設定に拡張する新しい時空間近位因果推論フレームワークを提案する。 提案手法は, 処理および結果誘導プロキシを導入して, 局所的および近傍的共起情報を共同でキャプチャし, 隠れた共同設立者の直接回復を必要とせず, 潜在的な結果を識別する時空間的結果共起ブリッジ関数を導出する。 本稿では, プロキシ排他的制約と時空間完全性条件の下で, このブリッジ関数の同定可能性を確立し, g-計算公式の近似一般化により, 結果が復元されることを示す。 この識別結果を運用するために、トランスフォーマーベースの時空間エンコーダを用いてプロキシを学習するニューラルネットワークと、条件付き相互情報評論家と組み合わせて排他的制約を強制し、学習されたブリッジ関数が基礎となる識別方程式を満たすことを保証するモーメントマッチングネットワークを提案する。 さらに, 治療支援の不均衡に対応するため, 安定化重み付け方式を導入する。 合成データセットを用いた実験により,本手法は基本因果推論法に匹敵する性能を示すとともに,近因果推論フレームワークによる時空間干渉の存在下での隠れ因果推論の理論的基礎となる最初の結果が得られた。

関連論文リスト

• Causal Gaussian Processes for Robust Treatment Effect Evaluation with Unobserved Confounding [65.76392290956525]
  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。
  論文  参考訳（メタデータ） (2026-06-20T00:05:25Z)
• 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)
• Causal Algorithmic Recourse: Foundations and Methods [57.73269033551628]
  AIシステムの主な特徴は、個人が否定的な決定を覆す方法のレコメンデーションを提供する能力である。 既存のアプローチでは、recourseの結果を固定単位の反事実として扱う。 我々は、事前および事後結果のプロセスとして、会話をモデル化する因果的枠組みを開発する。
  論文  参考訳（メタデータ） (2026-05-12T00:55:19Z)
• Spatial Deconfounder: Interference-Aware Deconfounding for Spatial Causal Inference [9.753644414327225]
  空間領域における因果推論は、未測定の空間要因と近くの治療からの干渉の2つの相反する課題に直面している。 本研究では,局所的な治療ベクトルから代用共同創設者を再構築する2段階の手法である空間的共同ファウンダーを提案する。 この手法により、弱い仮定の下で直接と効果の両方を非パラメトリックに識別できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T19:28:18Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• GST-UNet: A Neural Framework for Spatiotemporal Causal Inference with Time-Varying Confounding [46.46135774964818]
  データから因果効果を推定することは、公衆衛生、環境科学、政策評価において不可欠である。 本稿では、U-Netベースの時間エンコーダと回帰ベースの反復G-mputationを組み合わせたニューラルネットワークフレームワークであるGST-UNetを紹介する。 本研究は,カリフォルニアキャンプ火災時の山火事煙曝露および呼吸器病院の総合実験および実世界の分析において,その効果を検証した。
  論文  参考訳（メタデータ） (2025-02-07T19:56:01Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Conformal Counterfactual Inference under Hidden Confounding [19.190396053530417]
  反ファクトの世界における潜在的な結果の予測と不確実性は、因果推論における因果的問題を引き起こす。 反事実に対する信頼区間を構成する既存の方法は、強い無知の仮定に依存する。 提案手法は, 限界収束保証付き実測結果に対する信頼区間を提供するトランスダクティブ重み付き共形予測に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-20T21:43:43Z)
• Estimating Direct and Indirect Causal Effects of Spatiotemporal Interventions in Presence of Spatial Interference [0.46052594866569146]
  まず, 空間干渉の概念を, 未測定条件を仮定して拡張することで, 時間変化による治療結果に対する空間干渉の概念を拡張した。 次に、時間的因果推論のための深層学習に基づく潜在的結果モデルを提案する。 U-Netアーキテクチャのパワーを利用して、時間とともに空間的干渉を捉えながら、時間変化による干渉を低減するために潜時因子モデリングを利用する。
  論文  参考訳（メタデータ） (2024-05-13T20:39:27Z)
• Neighborhood Adaptive Estimators for Causal Inference under Network Interference [109.17155002599978]
  ネットワークに接続された単位による古典的非干渉仮定の違反について考察する。 トラクタビリティでは、干渉がどのように広がるかを記述する既知のネットワークを考える。
  論文  参考訳（メタデータ） (2022-12-07T14:53:47Z)

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。