論文の概要: Representation Learning for Sample-Efficient CATE Estimation by Leveraging Multiple Outcomes

• arxiv url: http://arxiv.org/abs/2609.06294v1
• Date: Sat, 05 Sep 2026 23:04:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.226086
• Title: Representation Learning for Sample-Efficient CATE Estimation by Leveraging Multiple Outcomes
• Title（参考訳）: 複数出力の活用によるサンプル効率の良いCATE推定のための表現学習
• Abstract要約: 条件平均治療効果(CATE)の推定は、介入の効率的なターゲティングを可能にする。 表現に基づく推定器は, 圧縮によるバイアスよりも推定器の分散が小さい場合にも, 誤差の低減が可能であることを示す。
• 参考スコア（独自算出の注目度）: 12.645802071976638
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating conditional average treatment effects (CATE) enables efficient targeting of interventions, but many applications have limited experimental samples, making it difficult to estimate heterogeneous effects from high-dimensional covariates. In such settings, policymakers and medical practitioners often succumb to the curse of dimensionality or apply off-the-shelf dimension reduction methods that may not preserve treatment heterogeneity. Yet these domains often come with large historical datasets measuring a wide range of outcomes -- a source of supervision that is rarely exploited in practice. Following causal representation learning, we hypothesize that such domains with high-dimensional covariates have lower-dimensional underlying dynamics. We can thus leverage the diverse outcomes measured in historical data to learn a lower-dimensional representation of the covariates. Theoretically, we prove that when the auxiliary outcomes satisfy a set of surrogacy conditions and the representation retains relevant covariate information, the original CATE is identified when the high-dimensional covariates are replaced by the learned representation. Combined with existing dimension-dependent rates for CATE estimation, the result implies greater sample-efficiency on the same experimental sample. Additionally, we characterize the bias-variance tradeoff when the assumptions do not hold perfectly, and show that the representation-based estimator can still achieve lower error when the reduction in estimator variance outweighs the bias due to compression. Empirically, we evaluate the method on synthetic data and semi-synthetic medical data.
• Abstract（参考訳）: 条件平均処理効果(CATE)の推定は介入の効率的なターゲティングを可能にするが、多くの応用では実験サンプルが限られており、高次元共変量から不均一な効果を推定することは困難である。 このような状況下では、政策立案者や医療従事者は、しばしば次元の呪いに屈し、治療の不均一性を保たない既成次元縮小法を適用する。 しかし、これらのドメインには、広範囲の成果を測定する大規模な歴史的データセットが伴うことが多い。 因果表現学習の後、高次元の共変量を持つそのような領域は低次元の基底力学を持つという仮説を立てる。 これにより、過去のデータで測定された多様な結果を利用して、共変量の低次元表現を学ぶことができる。 理論的には、補助的な結果が一連の代理条件を満たし、その表現が関連する共変量情報を保持するとき、高次元共変量が学習された表現に置き換えられたときに元のCATEが識別される。 CATE推定のための既存の寸法依存率と組み合わせることで、同じ実験試料に対してより優れた試料効率が得られた。 さらに,仮定が完全に保たない場合のバイアス分散トレードオフを特徴付けるとともに,圧縮によるバイアスよりも誤差が小さい場合の表現ベース推定器の誤差が小さいことを示す。 実験により, 合成データと半合成医療データについて評価した。

関連論文リスト

• Modeling Covariate Transition for Efficient Estimation of Longitudinal Treatment Effects in Randomized Experiments [20.0906772553128]
  本研究では,静的な条件下でのランダム化実験において,時間的処理効果を推定するための回帰調整フレームワークを提案する。 我々は時間とともに動的軌跡を表現し、推定器の正規性と半パラメトリック効率を確立する。 日本のストリーミングプラットフォームにおけるA/Bテストデータを用いたシミュレーション研究と実証分析により,本手法の実用的利点が示された。
  論文  参考訳（メタデータ） (2026-05-29T15:40:07Z)
• Penalized Empirical Likelihood for Doubly Robust Causal Inference under Contamination in High Dimensions [0.720409153108429]
  低サンプルサイズ方程式における平均処理効果を2倍頑健に推定する手法を提案する。 提案した信頼区間は, 競合する推定値と比較して効率がよいことを示す。
  論文  参考訳（メタデータ） (2025-07-23T11:58:54Z)
• A Sample Efficient Conditional Independence Test in the Presence of Discretization [54.047334792855345]
  離散化されたデータに直接条件付き独立テスト(CI)は、誤った結論につながる可能性がある。 最近の進歩は、観測データをバイナライズすることで、潜伏変数間の適切なCI関係を推測することを目指している。 そこで本研究では,バイナライゼーションプロセスに依存しないサンプル効率のCIテストを提案する。
  論文  参考訳（メタデータ） (2025-06-10T12:41:26Z)
• Assumption-Lean Post-Integrated Inference with Surrogate Control Outcomes [6.448728765953916]
  制御結果を用いて遅延不均一性を調整する頑健なポストインテグレート推論(PII)手法を提案する。 我々は、予測された直接効果推定に関する半パラメトリック推論を開発し、隠された仲介者、共同設立者、モデレーターを考慮に入れた。 提案された二重頑健な推定器は、最小の仮定と潜在的な不特定性の下で一貫性があり、効率的である。
  論文  参考訳（メタデータ） (2024-10-07T12:52:38Z)
• STATE: A Robust ATE Estimator of Heavy-Tailed Metrics for Variance Reduction in Online Controlled Experiments [22.32661807469984]
  我々は、学生のt分布と機械学習ツールを統合して、ヘビーテールのメトリクスに適合する新しいフレームワークを開発する。 ログ類似度関数を最適化するために変分EM法を採用することにより、アウトリアの負の影響を大幅に排除するロバストな解を推測できる。 Meituan実験プラットフォーム上での合成データと長期実験結果のシミュレーションにより,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-07-23T09:35:59Z)
• Efficient adjustment for complex covariates: Gaining efficiency with DOPE [56.537164957672715]
  共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。 理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。 その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
  論文  参考訳（メタデータ） (2024-02-20T13:02:51Z)
• CATE Estimation With Potential Outcome Imputation From Local Regression [24.97657507206549]
  本研究では,条件付き平均処理効果推定のためのモデルに依存しないデータ拡張手法を提案する。 このアイデアにインスパイアされた我々は、潜在的に欠落する可能性を確実に示唆する対照的な学習手法を提案する。 提案手法の有効性を実証する理論的保証と広範な数値的研究の両方を提供する。
  論文  参考訳（メタデータ） (2023-11-07T00:36:51Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Identifiable Energy-based Representations: An Application to Estimating Heterogeneous Causal Effects [83.66276516095665]
  条件付き平均治療効果(CATEs)は、多数の個体にまたがる不均一性について理解することができる。 典型的なCATE学習者は、CATEが識別可能であるために、すべての共起変数が測定されていると仮定する。 本稿では,ノイズコントラッシブ損失関数を用いて,変数の低次元表現を学習するエネルギーベースモデルを提案する。
  論文  参考訳（メタデータ） (2021-08-06T10:39:49Z)
• 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)
• CDSM -- Casual Inference using Deep Bayesian Dynamic Survival Models [3.9169188005935927]
  我々はベイジアン・リカレント・サブネットワークを用いた潜在的結果フレームワークを用いて生存曲線の差を推定する因果的動的生存モデル(CDSM)を開発した。 シミュレーションされたサバイバルデータセットを使用して、CDSMはサンプル寸法、イベントレート、結束および重複のシナリオにわたる良好な因果効果推定性能を示した。
  論文  参考訳（メタデータ） (2021-01-26T09:15:49Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• Performance metrics for intervention-triggering prediction models do not reflect an expected reduction in outcomes from using the model [71.9860741092209]
  臨床研究者はしばしばリスク予測モデルの中から選択し評価する。 振り返りデータから算出される標準メトリクスは、特定の仮定の下でのみモデルユーティリティに関係します。 予測が時間を通して繰り返し配信される場合、標準メトリクスとユーティリティの関係はさらに複雑になる。
  論文  参考訳（メタデータ） (2020-06-02T16:26:49Z)

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。