論文の概要: CLAM: Causal Spatial Disaggregation to Infer Local Effects From Coarse Data

• arxiv url: http://arxiv.org/abs/2608.08064v1
• Date: Sat, 08 Aug 2026 11:05:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.634809
• Title: CLAM: Causal Spatial Disaggregation to Infer Local Effects From Coarse Data
• Title（参考訳）: CLAM: 粗いデータから局所的な影響を推定する因果空間分解
• Authors: Gerrit Großmann, Sumantrak Mukherjee, Sebastian J. Vollmer,
• Abstract要約: CLAMは、粗い観測から局所的な因果効果を推定する方法である。 局所的な効果推定、反実的推論、原則化された結果の分解をサポートする。 これは公衆衛生や環境政策などの応用に特に関係している。
• 参考スコア（独自算出の注目度）: 1.1979851857700952
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Learning fine-grained spatial patterns from coarse-resolution data is challenging, especially in causal settings where high-resolution effects must be inferred from aggregated interventions and outcomes. We introduce CLAM, a method for estimating localized causal effects from coarse observations by exploiting high-resolution contextual covariates that modulate these effects. By jointly learning the causal mechanism and a disaggregation mapping, CLAM captures interactions that are missed when addressing these problems independently. The method supports localized effect estimation, counterfactual reasoning, and principled outcome disaggregation, and reliably captures spatially varying causal effects across diverse settings. This is particularly relevant for applications such as public health and environmental policy, where decisions are made at broad scales despite substantial local heterogeneity. Code is available at https://github.com/gerritgr/clam
• Abstract（参考訳）: 粗い解像度データからきめ細かい空間パターンを学習することは、特に、集約された介入や結果から高解像度効果を推測しなければならない因果的環境において困難である。 我々は,これらの効果を変調する高分解能な文脈共変量を利用して,粗い観測から局所的な因果効果を推定する方法であるCLAMを紹介した。 因果メカニズムと解離マッピングを共同で学習することにより、CLAMはこれらの問題に独立して対処する際に見逃される相互作用をキャプチャする。 本手法は, 局所的効果推定, 反ファクト推論, 原理的結果分解をサポートし, 多様な環境において空間的に異なる因果効果を確実に捉える。 これは公衆衛生や環境政策などの応用において特に重要であり、地域的不均一性に拘わらず広い範囲で意思決定が行われる。 コードはhttps://github.com/gerritgr/clamで入手できる。

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)
• Local Covariate Selection for Average Causal Effect Estimation without Pretreatment and Causal Sufficiency Assumptions [18.19166664646723]
  既存のアプローチは、典型的には全変数のグローバル因果構造学習や、因果正当性のような強い仮定に頼っている。 本研究では,非パラメトリック因果効果推定における共変量選択のための新しい局所学習法を提案する。 複数の合成データセットと2つの実世界のデータセットを用いた実験により,本手法は精度の高い因果効果推定を実現し,計算効率を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-05-20T11:08:09Z)
• Bridging Prediction and Attribution: Identifying Forward and Backward Causal Influence Ranges Using Assimilative Causal Inference [7.915816961228985]
  因果推論は変数間の因果関係を特定する。 最近開発された手法であるAssimilative causal Inference (ACI)は、観測と力学モデルを統合する。 ACIは、瞬時に因果関係を検出し、時間とともに因果関係を断続的に反転させる。
  論文  参考訳（メタデータ） (2025-10-24T02:04:56Z)
• Doubly robust estimation of causal effects for random object outcomes with continuous treatments [8.874402662101234]
  因果推論は統計学と科学的発見の中心である。 現代のアプリケーションは複雑で非ユークリッド的なデータ構造をますます含んでいる。 本稿では,非ユークリッドデータに適用した継続的治療による因果推論のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2025-06-28T04:55:12Z)
• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• Spatially-Heterogeneous Causal Bayesian Networks for Seismic Multi-Hazard Estimation: A Variational Approach with Gaussian Processes and Normalizing Flows [4.522511094629472]
  地震後の危険度と影響推定は、効果的な災害対応に不可欠である。 伝統的なモデルは、地理的文脈に関係なく固定パラメータを使用し、地震の影響が様々な風景でどのように異なるかを示す。 本研究では,これらの課題を,空間的に認識された因果関係と位置特化パラメータとの因果関係をモデル化することにより,共位置ハザードを分離する因果ネットワークを用いて解決する。
  論文  参考訳（メタデータ） (2025-04-05T01:34:43Z)
• Do Finetti: On Causal Effects for Exchangeable Data [45.96632286841583]
  データをi.i.d.に含まない環境での因果効果の推定について検討する。 我々は、独立因果関係の仮定を満たす交換可能なデータに焦点を当てる。
  論文  参考訳（メタデータ） (2024-05-29T07:31:18Z)
• 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)
• Differentiable Invariant Causal Discovery [106.87950048845308]
  観測データから因果構造を学ぶことは、機械学習の基本的な課題である。 本稿では,不特定変分因果解法(DICD)を提案する。 合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
  論文  参考訳（メタデータ） (2022-05-31T09:29:07Z)

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。