論文の概要: Causal Inference under Interference with Learned Exposure Mappings

• arxiv url: http://arxiv.org/abs/2608.19224v1
• Date: Sun, 26 Jul 2026 22:29:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-23 14:54:39.996887
• Title: Causal Inference under Interference with Learned Exposure Mappings
• Title（参考訳）: 学習した露光マッピングによる干渉による因果推論
• Abstract要約: 学習した輸送過程の不確実性が、干渉下での露光マッピングや下流の流出予測にどのように伝播するかを考察する。 我々は,PDE,PINO,FNO,GeoPTなど,現代の演算子学習モデルと比較する。 本研究は, 直接観察されるのではなく, 露光マッピングが学習される場合, 因果推論の信頼性が低いことを示唆する。
• 参考スコア（独自算出の注目度）: 1.7451495547398679
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Exposure mappings are often assumed to be known in causal spillover analyses. In environmental settings, however, they are typically induced by transport processes that are not directly observed and must instead be learned from pollution data. We study how uncertainty in learned transport processes propagates into exposure mappings and downstream spillover inference under interference. We compare mechanistic transport models with modern operator-learning approaches, including PDE, PINO, FNO, and GeoPT, using both simulation studies and an empirical analysis of California PM$_{2.5}$ data. In simulations, all four transport models achieved nearly identical pollution prediction accuracy, yet estimated spillover effects ranged from 1.78 to 2.27. Models that more accurately recovered the induced exposure mapping also produced spillover estimates closer to the true effect. Disagreement was modest for regional interventions but substantially larger for localized point-source interventions. The California analysis showed the same pattern: competing transport models produced similar predictions of observed PM${2.5}$ concentrations while implying different spillover effects under hypothetical pollution-control interventions. Our findings suggest that predictive agreement alone is insufficient for reliable causal inference when exposure mappings are learned rather than directly observed.
• Abstract（参考訳）: 露光マッピングは因果的流出分析でよく知られる。 しかし、環境条件では、それらは直接観測されず、代わりに汚染データから学ぶ必要がある輸送プロセスによって引き起こされる。 学習した輸送過程の不確実性が、干渉下での露光マッピングや下流の流出予測にどのように伝播するかを考察する。 我々は,PDE,PINO,FNO,GeoPTといった現代の演算子学習モデルと比較し,シミュレーションとカリフォルニアPM$_{2.5}$データの実証解析を行った。 シミュレーションでは、全ての4つの輸送モデルがほぼ同一の汚染予測精度を達成したが、推定された流出効果は1.78から2.27までであった。 誘発露光マッピングをより正確に回収したモデルもまた、真の効果に近い露光量の推定を導出した。 診断は地域的介入には控えめであったが、局所的なポイントソース介入には著しく大きい。 競合する輸送モデルは、観測されたPM${2.5}$濃度の同様の予測をし、仮説的な汚染制御の介入の下で異なる流出効果を示唆した。 本研究は, 直接観察されるのではなく, 露光マッピングが学習される場合, 因果推論の信頼性が低いことを示唆する。

関連論文リスト

• Amortized Interventional Forecasting for Multivariate CIR Processes [2.918919242459813]
  平均回帰力学は金融において広く普及している。 CIRモデルは、列間のエンフコーズの影響ではなく、エンフコーズに関連するコムーブメントのみをキャプチャする。
  論文  参考訳（メタデータ） (2026-08-04T14:17:35Z)
• Causal Inference on Networks under Misspecified Exposure Mappings: A Partial Identification Framework [66.59051888063665]
  ネットワーク上の因果推論のための新しい部分同定フレームワークを提案する。 露光マッピングの誤用下では, 直接的および漏出的効果に対して, 鋭い上下境界を導出する。 実験の結果, 境界は情報的であり, 露光写像の誤特定の下では信頼性の高い結論が得られた。
  論文  参考訳（メタデータ） (2026-02-03T12:27:11Z)
• Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
  大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。 本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
  論文  参考訳（メタデータ） (2025-10-28T01:18:00Z)
• Causal Time Series Modeling of Supraglacial Lake Evolution in Greenland under Distribution Shift [2.5551933647600693]
  因果モデリングは、時系列データの安定で不変な関係を明らかにするための原則的な基礎を提供する。 RIC-TSCは,ラグを意識した因果発見を直接シーケンスモデリングに組み込む,局所的にインフォームドされた因果時系列分類フレームワークである。
  論文  参考訳（メタデータ） (2025-10-17T03:06:08Z)
• Can the Waymo Open Motion Dataset Support Realistic Behavioral Modeling? A Validation Study with Naturalistic Trajectories [4.250936281629339]
  本研究では,WOMDが実世界のAV操作で観測される力学と相互作用を正確に捉えているかどうかを検討する。 我々は,信号化交差点での放電,車追従,車線変更行動の3つの代表的な都市運転シナリオの比較分析を行った。 その結果, PHX の挙動は WOMD の行動エンベロープの外側にあることが明らかとなった。
  論文  参考訳（メタデータ） (2025-09-03T17:56:46Z)
• Variable importance measure for spatial machine learning models with application to air pollution exposure prediction [2.633085745593072]
  本研究の目的は, 大気汚染の健康影響を学習する能力を最大限に活用するために, データのない場所での被験者の大気汚染の予測を行うことである。 これらの課題を、米国国家PM2.5亜種規制データの硫黄(S)と、シアトルの交通関連大気汚染データセットの超微粒子(UFP)の2つのデータセットで解決する。 私たちの重要な貢献は、幅広いモデルの解釈可能かつ同等の尺度に導かれる、変数の重要度に対する一対一のアプローチである。
  論文  参考訳（メタデータ） (2024-06-04T05:51:36Z)
• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• Conditional diffusion models for downscaling & bias correction of Earth system model precipitation [1.5193424827619018]
  本稿では,バイアス補正とダウンスケーリングを同時に行う機械学習フレームワークを提案する。 提案手法は, 統計的忠実性を確保し, 大規模空間パターンを保存し, 既存の手法より優れる。
  論文  参考訳（メタデータ） (2024-04-05T11:01:50Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• On Disentangled Representations Learned From Correlated Data [59.41587388303554]
  相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。 本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。 また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-14T12:47:34Z)

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。