論文の概要: Causal State-Space Model for Causal Inference: Estimating Longitudinal Individual Treatment Effects

• arxiv url: http://arxiv.org/abs/2608.08288v2
• Date: Wed, 12 Aug 2026 10:57:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 14:28:20.424438
• Title: Causal State-Space Model for Causal Inference: Estimating Longitudinal Individual Treatment Effects
• Title（参考訳）: 因果推論のための因果状態空間モデル:長期的個別治療効果の推定
• Abstract要約: 既存の方法は、治療代入に不変な表現をレンダリングする敵の訓練に依存している。 我々は, 逆実予測誤差に縛られたジェンセン・シャノンの発散により, この緊張関係を定式化する。 我々は、CSSD(Direct Decoder付きCausal State-Spaceモデル)とCSSPD(Predictive regularization付きCausal State-Spaceモデル)の2つの補完モデルを開発している。
• 参考スコア（独自算出の注目度）: 2.4405762029252465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating counterfactual outcomes over time from longitudinal observational data is central to clinical decision support. Existing methods rely on domain confusion -- adversarial training that renders representations invariant to treatment assignment -- yet this invariance creates a mutual information conflict: it suppresses treatment-correlated covariate signals necessary for accurate outcome prediction. We formalise this tension via a Jensen-Shannon divergence bound on counterfactual prediction error and develop two complementary models. CSSD (Causal State-Space model with Direct decoder) adapts selective State Space Models with a parallel multi-step decoder that eliminates accumulated rollout error by producing all prediction horizons simultaneously in a single forward pass. CSSPD (Causal State-Space model with Predictive regularisation and Direct decoder) augments CSSD with Contrastive Predictive Coding and Local Information Maximisation to reinforce temporal predictability in the balancing representation and recover local covariate information destroyed by domain confusion. On MIMIC-III, CSSPD achieves lower counterfactual RMSE than the Causal Transformer at every horizon tau >= 2 at O(T) encoder cost, with gains from 0.02 (2-step) to 0.07 (6-step). On Cancer Simulation across confounding strengths gamma in {0,1,2,3,4}, CSSPD outperforms CT at gamma <= 3 (margins 25.9%--37.0%), and CSSD achieves the lowest overall average RMSE (12.7% reduction over CT), confirming the MI conflict analysis. To our knowledge, this is the first work to formalise the balancing-prediction MI conflict and propose a structured resolution through complementary predictive and information-theoretic training objectives.
• Abstract（参考訳）: 経時的観察データから時間的反実結果の推定は、臨床診断支援の中心である。 既存の手法はドメインの混乱、つまり治療の代入に不変な表現をレンダリングする敵の訓練に依存するが、この不変性は相互情報紛争を生じさせ、正確な結果予測に必要な処理関連共変信号を抑圧する。 逆実数予測誤差に縛られたJensen-Shannon分散を用いてこのテンションを定式化し、2つの相補的モデルを開発する。 CSSD(Causal State-Space Model with Direct Decoder)は、並列マルチステップデコーダで選択されたステートスペースモデルに適応する。 CSSPD(Causal State-Space model with Predictive regularisation and Direct Decoder)は、CSSDにContrastive Predictive Coding and Local Information Maximisationを付加し、バランス表現における時間的予測可能性を強化し、ドメインの混乱によって破壊される局所的共変情報を復元する。 MIMIC-IIIでは、O(T)エンコーダのコストが0.02 (2-step) から 0.07 (6-step) になった場合、CSSPD は各水平方向の Tau >= 2 の Causal Transformer よりも低い RMSE を達成する。 0,1,2,3,4} におけるガンマ線強度によるがんシミュレーションでは、CSSPD は gamma <= 3 (margins 25.9%--37.0%) で CT を上回り、CSSD は平均 RMSE (12.7% の CT の減少) を最小に達成し、MI の競合解析を裏付ける。 我々の知る限り、これはバランス予測MIの対立を形式化し、補完的な予測と情報理論の訓練目標を通じて構造化された解決を提案する最初の試みである。

関連論文リスト

• PCSDiff: Diffusion-Based Bias Correction and Super Resolution Toward Practical Operational Medium-Term Precipitation Forecast [14.16711168258894]
  既存のAI補正技術には、マルチデイダイナミックバイアス進化と適切な気象制約のための専用のモデリングがない。 本研究は,10日間の降水バイアス補正とダウンスケーリングを対象とするタスク分離拡散フレームワークであるPCSDiffを紹介する。
  論文  参考訳（メタデータ） (2026-09-07T02:24:57Z)
• ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction [81.07048249760953]
  縦方向の変化は、しばしば微妙で、特定の解剖学的領域に限られる。 ほとんどの被験者固有の脳構造は、時間とともに安定している。 ProgFormerは、縦型脳MRI予測のための階層型ボクセル空間拡散変換器である。
  論文  参考訳（メタデータ） (2026-07-30T00:13:42Z)
• Adaptive Temporal Gating of Longitudinal Magnetic Resonance Imaging for Alzheimer's Prediction [4.549831511476248]
  縦3次元MRIスキャンをモデル化したCNN-TransformerアーキテクチャであるTAF-Netを導入する。 3年間のMCI-AD変換予測のためのアルツハイマー病神経画像イニシアチブコホートの評価
  論文  参考訳（メタデータ） (2026-05-27T12:33:46Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Causal Diffusion Models for Counterfactual Outcome Distributions in Longitudinal Data [0.0]
  因果拡散モデル (CDM) は, 逐次介入による対実結果の完全な確率分布を生成する。 CDMは、最先端の経時的因果推論法より一貫して優れている。
  論文  参考訳（メタデータ） (2026-04-14T17:25:53Z)
• Plug-and-Play Diffusion Meets ADMM: Dual-Variable Coupling for Robust Medical Image Reconstruction [45.25461515976432]
  画像再構成のための強力なパラダイムとして,DP(Plug-and-Play diffusion prior)フレームワークが登場した。 本稿では, バイアス・ハロシン化トレードオフを解消し, 収束を著しく加速した最先端の勾配を実現するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-02-26T16:58:43Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• Disentangling History and Propagation Dependencies in Cross-Subject Knee Contact Stress Prediction Using a Shared MeshGraphNet Backbone [0.8283940114367679]
  予測の不確実性の主な原因が時間的履歴依存か空間的伝播依存かは、まだ不明である。 OpenSim-FEBioワークフローを使用して、9つの被験者による試行のデータセットを構築した。 ヒストリーエンコーディングを組み込んだモデルは、大域的精度と空間的整合性において、ベースラインMGNとModMGNを大きく上回った。
  論文  参考訳（メタデータ） (2026-01-13T08:15:57Z)
• RED-F: Reconstruction-Elimination based Dual-stream Contrastive Forecasting for Multivariate Time Series Anomaly Prediction [19.04414742117033]
  本稿では,再構成に基づくDual-stream Contrastive Forecasting フレームワークを提案する。 このフレームワークは、絶対信号検出の難しいタスクを、相対軌道比較のより単純で堅牢なタスクに変換する。 6つの実世界のデータセットの実験は、異常予測タスクにおけるRED-Fの優れた能力を示している。
  論文  参考訳（メタデータ） (2025-11-25T08:11:41Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Adaptive Multi-step Refinement Network for Robust Point Cloud Registration [82.64560249066734]
  ポイントクラウド登録は、同じシーンの2つのポイントクラウド間の相対的な厳密な変換を推定する。 本稿では,前ステップからの情報を活用することで,各ステップの登録品質を向上する適応型多段階改良ネットワークを提案する。 本手法は3DMatch/3DLoMatchベンチマークとKITTIベンチマークの両方で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-05T18:59:41Z)

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。