論文の概要: Barycentric Fused Gromov-Wasserstein Balancing for Causal Inference under Multiple Treatments

• arxiv url: http://arxiv.org/abs/2608.22024v1
• Date: Sat, 22 Aug 2026 16:01:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.558707
• Title: Barycentric Fused Gromov-Wasserstein Balancing for Causal Inference under Multiple Treatments
• Title（参考訳）: 複数の治療における因果推論のためのバリー中心核融合グロモフ-ワッサースタインバランス
• Abstract要約: 異種シングル・インタラクション処理ネットワーク(CIHSI-Net)の因果推論を提案する。 CIHSI-Netは、新しいBarycentric Fused Gromov-Wasserstein Balancing(BFG-WB)の目標に基づいて構築されたディープラーニングフレームワークである。 CIHSI-Netは最先端のベースラインを一貫して上回ります。
• 参考スコア（独自算出の注目度）: 0.22940141855172036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating heterogeneous single and interaction treatment effects from observational data under multiple simultaneous treatments is crucial for decision-making. To mitigate estimation variance, previous studies balance representation distributions between every pair of treatment patterns. However, such pairwise balancing scales quadratically with the number of treatment patterns and fails to preserve consistent local proximity structures across patterns, which degrades counterfactual estimation. To address these challenges, we propose the Causal Inference for Heterogeneous Single and Interaction Treatment Effects Network (CIHSI-Net), a deep learning framework built on a novel Barycentric Fused Gromov-Wasserstein Balancing (BFG-WB) objective. BFG-WB aligns the representation distribution of each treatment pattern with a shared Wasserstein barycenter, achieving global alignment while reducing the computational complexity from quadratic to linear, and its Fused Gromov-Wasserstein discrepancy preserves the local proximity structures essential for reliable heterogeneous effect estimation. Simulation studies show that CIHSI-Net consistently outperforms state-of-the-art baselines, and an application to real-world marketing data demonstrates its practical utility in complex multi-treatment scenarios.
• Abstract（参考訳）: 複数の同時処理下での観察データから不均一な単一および相互作用処理効果を推定することは意思決定に不可欠である。 推定分散を緩和するために、過去の研究では、各処理パターン間の表現分布のバランスをとる。 しかし、このようなペアワイズバランスは、処理パターンの数と2次的にスケールし、パターン間の一貫した局所的な近接構造を維持することができず、反実推定を低下させる。 これらの課題に対処するために,Barycentric Fused Gromov-Wasserstein Balancing (BFG-WB) の目的に基づいて構築されたディープラーニングフレームワークであるCIHSI-Net(Causal Inference for Heterogeneous Single and Interaction Treatment Effects Network)を提案する。 BFG-WBは、各処理パターンの表現分布を共有ワッサーシュタインバリセンタと整合させ、計算複雑性を2次から線形に減らし、大域的なアライメントを達成する。 シミュレーション研究により、CIHSI-Netは最先端のベースラインを一貫して上回り、実世界のマーケティングデータへの適用は複雑なマルチ処理シナリオにおいてその実用性を実証している。

関連論文リスト

• Multi-Source Complex Network Reconstruction via Wasserstein Distributionally Robust Optimization and Algorithm Unrolling [9.526111877241602]
  重み付きワッサーシュタインバリセンタを介して異種ソースを融合するグラフ学習フレームワークであるMS-WDROを提案する。 最悪の場合のリスクを最小限に抑えると、確実に収束したADMMスキームによって効率的に解決されるトラクタブル正規化ラプラシアン推定器が得られる。 MS-WDROは、グラフ回復、サンプル効率、下流診断ユーティリティにおいて、7つのベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-08-20T11:30:59Z)
• FedOPAL: One-Shot Federated Learning via Analytic Visual Prompt Tuning [5.979900839748232]
  本稿では,エッジ上の大規模モデルの効率的な協調のためのフレームワークを提案する。 FedOPALは特徴プロンプトとして視覚的プロンプトに適応し、不均一なデータの特徴分布を線形に分離可能な空間に積極的に修正する。 実験結果から,FedOPALはいくつかのベンチマークにおいて,従来の解析手法よりも優れているだけでなく,サーバ側のトレーニングコストのゼロを維持しつつ,最先端の反復手法に匹敵する精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2026-07-09T11:28:31Z)
• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Can We Validate Counterfactual Estimations in the Presence of General Network Interference? [13.49152464081862]
  我々は、因果推論における推定と検証の両方に機械学習ツールを使うことを容易にするフレームワークを導入する。 新しい分布保存ネットワークブートストラップは、単一実験のデータから統計的に有意なサブポピュレーションを生成する。 ファクトファクトのクロスバリデーション手順は、モデル検証の原則を因果的設定のユニークな制約に適応させる。
  論文  参考訳（メタデータ） (2025-02-03T06:51:04Z)
• Deriving Causal Order from Single-Variable Interventions: Guarantees & Algorithm [14.980926991441345]
  介入データを含むデータセットは,データ分布に関する現実的な仮定の下で効果的に抽出可能であることを示す。 本稿では,観察的および介入的設定における各変数の限界分布の比較に依拠する,介入忠実性の新たな変種を紹介する。 また、多数の単一変数の介入を含むデータセットから因果順序を推測するアルゴリズムであるIntersortを導入する。
  論文  参考訳（メタデータ） (2024-05-28T16:07:17Z)
• Causal Balancing for Domain Generalization [95.97046583437145]
  そこで本研究では,観察されたトレーニング分布の領域特異的なスプリアス相関を低減するために,バランスの取れたミニバッチサンプリング戦略を提案する。 本研究では, 突発性源の同定可能性を保証するとともに, バランスの取れた, 突発性のない分布から, 提案手法が有効にサンプリング可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-10T17:59:11Z)
• 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)
• Distributionally Robust Learning [11.916893752969429]
  本書は,データの摂動に頑健な包括的統計学習フレームワークを開発する。 各問題に対する引き込み可能なDRO緩和が導出され、境界と正規化の間の接続が確立される。 理論以外にも、数値実験や、合成データと実データを用いたケーススタディも含んでいる。
  論文  参考訳（メタデータ） (2021-08-20T04:14:18Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。