論文の概要: An End-to-End Pipeline for Causal ML with Continuous Treatments: An Application to Financial Decision Making

• arxiv url: http://arxiv.org/abs/2609.30396v1
• Date: Thu, 24 Sep 2026 18:02:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.084797
• Title: An End-to-End Pipeline for Causal ML with Continuous Treatments: An Application to Financial Decision Making
• Title（参考訳）: 連続処理を施した因果MLのエンドツーエンドパイプライン:財務的意思決定への応用
• Abstract要約: 本稿では,継続的処理を伴う実世界のアプリケーションを対象とした,エンドツーエンドの因果機械学習(ML)パイプラインを提案する。 提案手法は, 次元減少, 因果同定, 肯定的仮定違反処理, 推定, 再利用と評価, 政策最適化の6段階からなる。 ドキュメントコードと番号付きノートブックを備えた、完全に機能するGitHubリポジトリが、実用的な実装を保証するために提供されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents an end-to-end causal machine learning (ML) pipeline designed for real-world applications with continuous treatments. The proposed framework consists of six sequential steps: dimensionality reduction, causal identification, positivity assumption violation handling, estimation, refutation and evaluation, and policy optimization. We introduce practical contributions not currently available in existing causal ML toolkits, specifically: (1) a method for detecting and quantifying positivity violations in continuous treatment settings (2) a novel, scalable two-stage dimensionality reduction framework tailored for causal inference with high-dimensional data; (3) the adaptation of sensitivity analysis and estimation methods originally designed for binary treatments to the continuous treatment space and (4) an end-to-end integration of these components into a modular, reproducible workflow. These innovations address real-world challenges in causal inference that are often not covered in theoretical frameworks but frequently encountered in industrial applications. The methodology is validated with a synthetic dataset inspired in a real-world financial debt collection use case, however its design can be applied to analogous problems across different industries. Results demonstrate that the proposed methodology offers a more computationally efficient approach and produces less biased estimates compared to standard methods for problems with continuous treatment and high-dimensional data. A fully functional GitHub repository with documented code and numbered notebooks is made available ensuring reproducibility and practical implementation. The pipeline presented is intended to contribute to closing the gap between academic approaches and practical application in industry contexts where causal ML can be highly beneficial such as the financial sector.
• Abstract（参考訳）: 本稿では,継続的処理を伴う実世界のアプリケーションを対象とした,エンドツーエンドの因果機械学習(ML)パイプラインを提案する。 提案手法は, 次元減少, 因果同定, 肯定的仮定違反処理, 推定, 再利用と評価, 政策最適化の6段階からなる。 既存の因果的MLツールキットでは,(1)連続処理における肯定的違反の検出と定量化のための手法,(2)高次元データによる因果的推論に適したスケーラブルな2段階次元削減フレームワーク,(3)二項処理用に考案された感度解析および推定手法の継続的処理空間への適応,(4)これらのコンポーネントのエンドツーエンド統合をモジュール化された再現可能なワークフローへ適用すること,などが提案されている。 これらの革新は、因果推論における現実世界の課題に対処する。 この手法は、現実の金融負債収集ユースケースにインスパイアされた合成データセットで検証されるが、その設計は異なる産業の類似問題に適用できる。 提案手法は, 連続処理および高次元データにおける問題に対する標準手法と比較して, より計算効率の良い手法であり, 偏りの少ない推定結果が得られることを示した。 ドキュメントコードと番号付きノートブックを備えた、完全に機能するGitHubリポジトリは、再現性と実用的な実装を保証する。 このパイプラインは、学術的アプローチと産業における実践的応用のギャップを埋めることを目的としており、金融セクターのような因果MLが極めて有益である。

関連論文リスト

• Actionable and diverse counterfactual explanations incorporating domain knowledge and causal constraints [6.99674326582747]
  電子メールマーケティング分野におけるサイバーセキュリティアプリケーションに動機づけられた我々は、Diverse, Actionable, and kNowledge-Constrained Explanations (DANCE) を生成する方法を提案する。 提案手法は,データから線形および非線形な制約を学習したり,専門家が提案する依存性グラフを統合して,対策が確実かつ実行可能なことを保証する。 この研究はポーランド最大の電子メールマーケティング会社であるFreshmailによる実生活事例調査に基づいて開発され、共同研究開発プロジェクトであるSendguardが支援している。
  論文  参考訳（メタデータ） (2025-11-25T12:09:36Z)
• Bounding Causal Effects and Counterfactuals [0.0]
  この論文は、複数の因果シナリオにまたがる有界アルゴリズムを体系的に比較することで、課題に対処する。 我々は、共通の評価フレームワーク内で最先端のメソッドを実装し、拡張し、統一する。 我々の実証研究は、離散データ生成プロセスと連続データ生成プロセスの両方を含む何千ものランダム化シミュレーションにまたがる。
  論文  参考訳（メタデータ） (2025-08-19T08:13:34Z)
• ORMind: A Cognitive-Inspired End-to-End Reasoning Framework for Operations Research [56.961539386979354]
  ORMindは認知にインスパイアされたフレームワークで、反ファクト推論を通じて最適化を強化する。 提案手法は,要求を数学的モデルや実行可能なコードに変換するエンド・ツー・エンドのワークフローを実装し,人間の認識をエミュレートする。 現在はLenovoのAIアシスタントで内部でテストされており、ビジネスとコンシューマの両方の最適化機能を強化する予定である。
  論文  参考訳（メタデータ） (2025-06-02T05:11:21Z)
• An Identifiable Cost-Aware Causal Decision-Making Framework Using Counterfactual Reasoning [18.324601057882386]
  そこで本研究では,最小コスト因果決定(MiCCD)フレームワークを提案する。 混合異常データの存在を識別する反ファクト的推論プロセスに重点を置いている。 MiCCDは、F1スコア、コスト効率、ランキング品質(nDCG@k値)など、従来の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-05-13T08:41:45Z)
• Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
  本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。 オラクル形式は影響関数の一貫した近似であることを示す。 次に、平均二乗誤差の観点から総合収束解析を行う。
  論文  参考訳（メタデータ） (2023-09-22T12:18:53Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)

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。