論文の概要: Causal Inference with Unobserved Confounding: A Mixture Learning Perspective

• arxiv url: http://arxiv.org/abs/2609.23219v1
• Date: Sat, 19 Sep 2026 21:31:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.729702
• Title: Causal Inference with Unobserved Confounding: A Mixture Learning Perspective
• Title（参考訳）: 観測不能なコンファウンディングによる因果推論:混合学習の視点から
• Abstract要約: 本稿では, 混合学習の視点を整備し, 余剰共同創設者を異質性の源とみなし, 観測データ中の混合構造を誘導する。 ベルヌーイ混合の変種を実行例として用いて、混合学習技術とその構造的仮定を文脈的に分析する。 次に, 結果軌跡に依存した高次元指数系列混合物について考察し, 反事実分布をモデル化するために, 反現実的手段を超えて移動する。
• 参考スコア（独自算出の注目度）: 16.891577876423753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unobserved confounding is a fundamental challenge in causal inference from observational data. This article develops a mixture-learning perspective, viewing latent confounders as sources of heterogeneity that induce mixture structure in observed data. Under suitable structural and identifiability assumptions, recovering the mixing distribution and component mechanisms enables estimation of interventional distributions and causal estimands. Using variants of Bernoulli mixtures as a running example, we contextualize mixture-learning techniques and their structural assumptions, and connect them to causal inference in panel-data settings, including latent factor models and synthetic interventions.We then consider high-dimensional exponential-family mixtures with dependent outcome trajectories, moving beyond counterfactual means to model counterfactual distributions. We situate this perspective relative to complementary approaches for unobserved confounding. Together, these ideas provide a bridge between mixture learning and causal inference, connecting recent advances in high-dimensional mixture learning to scalable identification and estimation of causal effects while raising new challenges for mixture learning.
• Abstract（参考訳）: 観測データから因果推論を行う上で、観測不能なコンバウンディングは根本的な課題である。 本稿では, 混合学習の視点を整備し, 余剰共同創設者を異質性の源とみなし, 観測データ中の混合構造を誘導する。 適切な構造と識別可能性の仮定の下で、混合分布と成分機構の回復により、介入分布と因果推定を推定できる。 ベルヌーイ混合物の変種を動作例として用いて、混合学習手法とその構造的仮定を文脈的に分析し、潜在因子モデルや合成介入を含むパネルデータ設定の因果推論に接続する。 我々はこの視点を、観測不能な共起に対する補完的なアプローチと比較する。 これらのアイデアは、混合学習と因果推論の橋渡しとなり、高次元混合学習の最近の進歩とスケーラブルな同定と因果効果の推定を結びつけながら、混合学習の新たな課題を提起する。

関連論文リスト

• Joint Causal Structure and Cluster Discovery Using Variational Inference [12.348487219726865]
  因果発見は、個々の確率変数間の関係を理解することを目的としている。 既存の手法では、相互作用をモデル化する際にそのようなグループやクラスタの知識が明示的に利用できると仮定する。 本稿では,潜伏クラスタと因果構造の両方を同時に推定するために,変分推論に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-08-23T04:32:36Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Learning Mixtures of Unknown Causal Interventions [14.788930098406027]
  構造方程式モデル(SEM)における干渉・観測データの混在化の課題について考察する。 本研究は, 混合液中の各成分を効率よく回収するために, 十分な多様性と特性を有する分布が得られるか, 軟らかいかにかかわらず, 干渉を施すことを実証する。 その結果、因果グラフは干渉的マルコフ等価クラスと同一視でき、ノイズが干渉的データの生成に影響を与えないシナリオと同様である。
  論文  参考訳（メタデータ） (2024-10-31T21:25:11Z)
• Controlling for discrete unmeasured confounding in nonlinear causal models [6.255285109437089]
  理論的には、観測データが潜在ガウス混合モデルの断片的なアフィン変換であるという仮定の下で、コンバウンディングが検出され、修正可能であることを示す。 我々は,このモデルを推定し,デコンウンディングを行うフローベースアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-10T22:50:08Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• On the Joint Interaction of Models, Data, and Features [82.60073661644435]
  本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。 これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。 この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
  論文  参考訳（メタデータ） (2023-06-07T21:35:26Z)
• Adversarial Robustness through the Lens of Causality [105.51753064807014]
  ディープニューラルネットワークの敵対的脆弱性は、機械学習において大きな注目を集めている。 我々は、因果関係を敵対的脆弱性の軽減に組み込むことを提案する。 我々の手法は、敵の脆弱性を緩和するために因果性を利用する最初の試みと見なすことができる。
  論文  参考訳（メタデータ） (2021-06-11T06:55:02Z)
• Mixture Representation Learning with Coupled Autoencoders [1.589915930948668]
  我々は、cpl-mixVAEと呼ばれる複数の相互作用ネットワークを用いた教師なし変分フレームワークを提案する。 このフレームワークでは、各ネットワークの混合表現は、離散因子にコンセンサス制約を課すことで正規化される。 提案手法を用いて,単細胞転写データセットにおける遺伝子発現を記述した変数の離散的・連続的因子を共同で発見する。
  論文  参考訳（メタデータ） (2020-07-20T04:12:04Z)
• Consistent Estimation of Identifiable Nonparametric Mixture Models from Grouped Observations [84.81435917024983]
  この研究は、グループ化された観測から任意の同定可能な混合モデルを一貫して推定するアルゴリズムを提案する。 ペア化された観測のために実践的な実装が提供され、アプローチは既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-12T20:44:22Z)
• On Mixup Regularization [16.748910388577308]
  Mixupは、トレーニングポイントとラベルの凸組み合わせとして新しい例を作成するデータ拡張テクニックである。 そこで本研究では、Mixupの新しい解釈のランダムな摂動が、複数の既知の正規化スキームを誘導することを示す。
  論文  参考訳（メタデータ） (2020-06-10T20:11:46Z)

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。