論文の概要: What You Observe Determines How You Identify Causal Effects: Evaluating Causal Models across Observational Views
- arxiv url: http://arxiv.org/abs/2609.36881v1
- Date: Tue, 29 Sep 2026 07:11:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.271584
- Title: What You Observe Determines How You Identify Causal Effects: Evaluating Causal Models across Observational Views
- Title（参考訳）: 因果関係をどう特定するか - 観察的視点における因果関係モデルの評価-
- Abstract要約: 様々な構造因果モデル(SCM)から生成されたデータに基づいて事前訓練された因果基礎モデル(CFM)が観測データから因果効果を推定するために提案されている。
CausalIDViewは、固定されたSCM実現とターゲット推定を保持するマルチビューベンチマークであり、推定器で利用可能な観測ビューのみを変化させる。
これらの一致したビュー全体において、CFMは一貫してベストを尽くさず、モデルランキングも大幅に異なる。
- 参考スコア（独自算出の注目度）: 15.812009511008052
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal foundation models (CFMs) pre-trained on data generated from various structural causal models (SCMs) have been proposed for estimating causal effects from observational data. However, differences in pre-training environments and evaluation protocols make it difficult to assess how their performance depends on the information available for causal identification. To enable controlled comparisons, we introduce CausalIDView, a multi-view benchmark that holds fixed SCM realization and target estimand while varying only the observational view available to the estimator. Each observational view corresponds to a distinct identification regime under the benchmark's maintained causal assumptions. Across these matched views, no CFM consistently performs best and model rankings vary substantially. Under controlled structural changes, CFMs exhibit model-specific failures to maintain stable estimates when true effects are unchanged and to track genuine effect changes. We also examine whether combining explicit identification with strong predictive estimation is effective. A modular approach that pairs a predictive tabular foundation model with regime-specific identification procedures is competitive with CFMs and outperforms several of them. These findings motivate cross-regime comparisons to assess the empirical value of CFMs.
- Abstract（参考訳）: 様々な構造因果モデル(SCM)から生成されたデータに基づいて事前訓練された因果基礎モデル(CFM)が観測データから因果効果を推定するために提案されている。
しかし、事前学習環境と評価プロトコルの違いにより、その性能が因果同定に利用できる情報にどのように依存するかを評価することは困難である。
制御された比較を可能にするために,固定SCM実現と目標推定を保持するマルチビューベンチマークであるCausalIDViewを導入する。
それぞれの観察的見解は、ベンチマークの維持された因果関係の仮定の下で異なる識別体制に対応する。
これらの一致したビュー全体において、CFMは一貫してベストを尽くさず、モデルランキングも大幅に異なる。
制御された構造変化の下では、CFMはモデル固有の失敗を示し、真の効果が変化しないときに安定した推定を保ち、真の効果の変化を追跡する。
また,明示的識別と強い予測的推定の併用が有効かどうかについても検討した。
予測的表形式の基礎モデルと規則固有の識別手順を組み合わせたモジュラーアプローチは、CFMと競合し、そのいくつかを上回っている。
これらの知見は,CFMの経験的価値を評価するために,クロスレジーム比較を動機付けている。
関連論文リスト
- Evaluating Uplift Modeling under Structural Biases: Insights into Metric Stability and Model Robustness [8.135022024189306]
パーソナライズされたマーケティングにおいて、アップリフトモデルは、代替的な治療の下で顧客行動がどのように変化するかをモデル化することによって、漸進的な効果を推定する。
実世界のデータは、選択バイアス、こぼれ効果、未観測の混ざりなど、しばしばバイアスを示す。
論文 参考訳（メタデータ） (2026-03-21T11:54:25Z) - A Causal Inference Framework for Data Rich Environments [17.588417435132538]
潜在的な結果や治療の課題に対する古典的なモデルが、私たちのフレームワークにどのように適合するかを示します。
特定のニュアンスパラメータに対する十分高速な推定誤差率を持つ任意の推定器に対して、これらの様々な因果パラメータに一貫性があることを確かめる。
論文 参考訳（メタデータ） (2025-04-02T13:04:26Z) - A Causal Adjustment Module for Debiasing Scene Graph Generation [28.44150555570101]
我々は、歪んだ分布間の因果関係をモデル化するために因果推論技術を用いる。
提案手法により,ゼロショット関係の合成が可能となり,そのような関係を認識できるモデルの性能が向上する。
論文 参考訳（メタデータ） (2025-03-22T20:44:01Z) - Spatial Reasoning with Denoising Models [49.83744014336816]
本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。
初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。
これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
論文 参考訳（メタデータ） (2025-02-28T14:08:30Z) - Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳（メタデータ） (2025-02-11T19:24:09Z) - Language Models as Causal Effect Generators [48.696932388555894]
シーケンス駆動型構造因果モデル(SD-SCM)を提案する。
SD-SCMは、所望の因果構造に応じて観察的、介入的、および反ファクト的分布からのサンプリングを可能にする。
本稿では, 因果推論のための新しいタイプのベンチマークを提案し, 個別レベルの反事実データを生成し, 治療効果の評価を行う。
論文 参考訳（メタデータ） (2024-11-12T18:50:35Z) - Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。
本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
論文 参考訳（メタデータ） (2024-08-24T18:28:19Z) - An evaluation framework for comparing causal inference models [3.1372269816123994]
提案手法を用いて、いくつかの最先端因果効果推定モデルを比較した。
このアプローチの背後にある主な動機は、少数のインスタンスやシミュレーションがベンチマークプロセスに与える影響を取り除くことである。
論文 参考訳（メタデータ） (2022-08-31T21:04:20Z) - Proximal Reinforcement Learning: Efficient Off-Policy Evaluation in
Partially Observed Markov Decision Processes [65.91730154730905]
医療や教育などの観察データへのオフライン強化学習の適用においては、観察された行動は観測されていない要因に影響される可能性があるという一般的な懸念がある。
ここでは、部分的に観察されたマルコフ決定過程(POMDP)における非政治評価を考慮し、この問題に取り組む。
我々は、近位因果推論の枠組みをPOMDP設定に拡張し、識別が可能となる様々な設定を提供する。
論文 参考訳（メタデータ） (2021-10-28T17:46:14Z) - CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。
本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。
その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
論文 参考訳（メタデータ） (2020-04-18T20:09:34Z)
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。