論文の概要: Weighted Spline-Expanded Networks with Distributional Balancing for Continuous Treatment Effects

• arxiv url: http://arxiv.org/abs/2609.33740v1
• Date: Sun, 27 Sep 2026 16:41:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 17:12:20.926063
• Title: Weighted Spline-Expanded Networks with Distributional Balancing for Continuous Treatment Effects
• Title（参考訳）: 分散バランスを考慮した重み付きスプライン拡張ネットワークによる連続処理効果
• Abstract要約: 観察研究における因果的効果を因果的効果で推定することは、相違、モデルの誤特定、高次元のco変数によって困難である。 これらの課題に対処するエンドツーエンドのニューラルネットワークフレームワークであるWeighted Spline-Expanded Network (WSENet)を提案する。 WSENetは、精度と安定性の両方において、既存のベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 3.1180791049283925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating causal effects with continuous treatments in observational studies is challenging due to confounding, model misspecification, and high-dimensional covariates. We propose the Weighted Spline-Expanded Network (WSENet), an end-to-end neural framework that addresses these challenges by combining covariate balancing, structured treatment embedding, and bias-corrected outcome estimation. WSENet first applies Distance Covariate Optimal Weights to induce distributional independence between covariates and treatment without relying on parametric models. It then learns the conditional outcome via a structured network that fuses outcome-relevant representations of covariates with a spline-expanded treatment input, enabling smooth and flexible modeling of the dose-response relationship. To mitigate residual bias, we introduce Weighted Targeted Regularization, a correction technique based on efficient influence functions that yields a doubly robust estimator. Extensive evaluations on semi-synthetic and real-world datasets, including high-dimensional genomic and environmental health data, demonstrate that WSENet consistently outperforms existing baselines in both accuracy and stability.
• Abstract（参考訳）: 観察研究における因果効果を連続的な治療で推定することは、相違、モデルの誤特定、高次元共変量によって困難である。 Weighted Spline-Expanded Network (WSENet) は、共変量バランス、構造化処理の埋め込み、バイアス補正結果推定を組み合わせることで、これらの課題に対処するエンドツーエンドのニューラルネットワークフレームワークである。 WSENetはまず、パラメトリックモデルに頼ることなく、共変量と治療の間の分散独立を誘導するために、距離共変量最適重みを適用した。 次に、共変量の結果関連表現をスプライン拡張処理入力と融合する構造化ネットワークを介して条件付き結果を学び、線量応答関係の滑らかで柔軟なモデリングを可能にする。 残差バイアスを軽減するために、重み付け目標正規化(Weighted Targeted Regularization)を導入する。 高次元ゲノムおよび環境健康データを含む半合成および実世界のデータセットに対する広範囲な評価は、WSENetが精度と安定性の両方において既存のベースラインを一貫して上回っていることを示す。

関連論文リスト

• Kernel-Based Functional Balancing for Causal Inference with Compositional Treatments [3.827469920771502]
  合成処理による因果効果の推定について検討し, 露光は単純度上にあり, 推定値は2進値ではなく2進値上で定義される。
  論文  参考訳（メタデータ） (2026-06-15T21:24:58Z)
• 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)
• SPPCSO: Adaptive Penalized Estimation Method for High-Dimensional Correlated Data [7.338284747998038]
  本研究では, 単パラメータ主成分選択演算子 (SPPCSO) を提案する。 単パラメトリックの主成分回帰と$L_1$正規化を統合し、主成分情報を組み込むことで収縮率を適応的に調整する。 可変選択と係数推定のバランスを保ち、高次元高雑音環境においてもモデル安定性とロバスト推定を確実にする。
  論文  参考訳（メタデータ） (2026-03-06T13:10:05Z)
• 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 Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)
• Dynamic Regularized CBDT: Variance-Calibrated Causal Boosting for Interpretable Heterogeneous Treatment Effects [3.390322732093844]
  動的正則化因数ブースト決定木(CBDT)を提案する。 CBDTは、分散正則化と平均処理効果校正を勾配増進決定木の損失関数に統合する。 以上の結果から,CBDTは真の治療効果の信頼性を維持しつつ,推定精度を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2025-04-18T15:02:06Z)
• 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)
• 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。