論文の概要: CAFE: Counterfactual Prediction via Fast Posterior Estimation

• arxiv url: http://arxiv.org/abs/2609.32167v1
• Date: Sat, 26 Sep 2026 02:43:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 19:18:16.403589
• Title: CAFE: Counterfactual Prediction via Fast Posterior Estimation
• Title（参考訳）: CAFE:高速後部推定による非現実的予測
• Abstract要約: 事実予測は、実際の観察から介入した個人の結果を推定する。 CBEは、観測的に区別できない因果グラフによって誘導される構造的不確実性が存在する場合に、後続の予測分布を近似する。 現実的な製造やブドウ栽培における強い性能は、その経験的堅牢性をさらに証明している。
• 参考スコア（独自算出の注目度）: 25.918228352011557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Counterfactual prediction estimates an individual's outcome under an alternative intervention given their factual observations. Such outcomes are generally not identifiable from observational data without additional assumptions. Even within the class of fully observed additive noise models (ANMs), different causal graphs can generate the same observational distribution yet imply different individual counterfactual outcomes. Predictions based on a single estimated graph ignore this structural uncertainty. We therefore target a Bayesian counterfactual posterior predictive distribution that combines predictions from plausible SCMs. We introduce CAFE (\textbf{C}ounterf\textbf{A}ctual Prediction via \textbf{F}ast Posterior \textbf{E}stimation), an amortized inference framework that directly approximates the Bayesian counterfactual posterior predictive distribution. We pretrain a transformer-based model on synthetic counterfactual tasks generated from a diverse prior over ANMs. Given an observational dataset, an individual's factual observations, and an intervention, CAFE approximates the corresponding posterior predictive distribution in a single forward pass. Experiments show that CAFE accurately predicts individual counterfactual outcomes in identifiable settings and approximates the posterior predictive distribution when structural uncertainty induced by observationally indistinguishable causal graphs exists. Strong performance in realistic manufacturing and viticulture settings further demonstrates its empirical robustness beyond the assumptions of the training prior.
• Abstract（参考訳）: 対実予測は、実際の観察から、別の介入の下で個人の結果を推定する。 このような結果は、追加の仮定なしで観測データから特定できないのが一般的である。 完全観測付加雑音モデル (ANMs) のクラスにおいても、異なる因果グラフは同一の観測分布を生成できるが、個々の反現実的な結果が顕著に異なる。 単一の推定グラフに基づく予測は、この構造的不確実性を無視している。 そこで我々は,確率的SCMからの予測と組み合わせたベイズ反事実的後続予測分布を目標とする。 本稿では, ベイズ反事実予測分布を直接近似する暗黙的推論フレームワークであるCAFE(\textbf{C}ounterf\textbf{A}ctual Prediction via \textbf{F}ast Posterior \textbf{E}stimation)を紹介する。 本稿では,ANM上での多種多様な先行タスクから生成される合成対実タスクに対して,トランスフォーマーに基づくモデルを事前学習する。 観測データセット、個人の事実観測、介入が与えられた場合、CAFEは単一の前方通過で対応する後方予測分布を近似する。 実験の結果,CAFEは,観測的に識別不可能な因果グラフによって誘導される構造的不確実性が存在する場合,個別の因果関係における個別の因果関係を正確に予測し,後続の予測分布を近似することがわかった。 現実的な製造やブドウ栽培の環境での強いパフォーマンスは、その経験的堅牢性をさらに証明し、事前のトレーニングの仮定を越えている。

関連論文リスト

• Information Bottleneck Learning for Faithful Time Series Forecasting Explanations [26.577036929886486]
  IB-Forecastは本質的に解釈可能な多変量時系列予測フレームワークである。 予測を学習周期成分と、入力トークン上の説明可能なマスクで計算された残留成分に分解する。 予算制約のある情報ボトルネックにより、エンド・ツー・エンドの最適化により、ユーザーは説明の間隔を直接制御できる。
  論文  参考訳（メタデータ） (2026-07-30T12:33:19Z)
• Nearly Optimal Bayesian Inference for Structural Missingness [23.988531482641307]
  ベイズ的な見方では、後続の予測分布による予測は、完全なモデル後続の不確実性の上に統合される。 このフレームワークは、(II)ラベル予測からモデル内の欠損値後部を学習し、予測後部分布を最適化する。 43の分類と15の計算ベンチマークでSOTAを達成し、ベイズ最適性保証の近くに有限サンプルを持つ。
  論文  参考訳（メタデータ） (2026-01-26T14:03:11Z)
• Distribution-informed Online Conformal Prediction [53.674678995825666]
  更新ルールに基礎となるデータパターンを組み込んだオンラインコンフォメーション予測アルゴリズムである Conformal Optimistic Prediction (COP) を提案する。 COPは予測可能なパターンが存在する場合により厳密な予測セットを生成し、見積もりが不正確な場合でも有効なカバレッジ保証を保持する。 我々は,COPが有効なカバレッジを実現し,他のベースラインよりも短い予測間隔を構築できることを証明した。
  論文  参考訳（メタデータ） (2025-12-08T17:51:49Z)
• Predictively Oriented Posteriors [4.135680181585462]
  我々はパラメータ推定と密度推定の両方の最も望ましい側面を組み合わせた新しい統計原理を提唱する。 PrO後部は予測最適モデル平均に$n-1/2$で収束する。 平均場ランゲヴィン動力学に基づく進化粒子からPrO後部を採取できることが示される。
  論文  参考訳（メタデータ） (2025-10-02T11:33:26Z)
• Online Prediction with Limited Selectivity [8.540426791244535]
  多くのデータ統計は、分布的な仮定や専門家のアドバイスなしに、非自明なエラー率に予測できる。 本稿では,予測者が時間軸のサブセットでのみ予測を開始することができる限定選択性付き予測(PLS)モデルを提案する。 本稿では,インスタンス・バイ・インスタンス・ベースと平均ケース・アナリティクスの両方を用いて最適予測誤差について検討する。
  論文  参考訳（メタデータ） (2025-08-13T08:17:12Z)
• Predictive Inference with Feature Conformal Prediction [80.77443423828315]
  本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。 理論的観点からは、特徴共形予測は軽度の仮定の下で正則共形予測よりも確実に優れていることを示す。 提案手法は,バニラ共形予測だけでなく,他の適応共形予測手法と組み合わせることができる。
  論文  参考訳（メタデータ） (2022-10-01T02:57:37Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)

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。