論文の概要: Proximal Balancing for Causal Effect Estimation under Unmeasured Confounding

• arxiv url: http://arxiv.org/abs/2609.40051v1
• Date: Wed, 30 Sep 2026 16:17:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:28.031862
• Title: Proximal Balancing for Causal Effect Estimation under Unmeasured Confounding
• Title（参考訳）: コンバウンダリングによる因果効果推定のための近似バランシング
• Abstract要約: 本稿では,識別理論,有限サンプル保証,実用的なアルゴリズム PROBE を提案する。 本手法は,低次元,高次元,画像プロキシおよび実世界のデータ上で実証する。
• 参考スコア（独自算出の注目度）: 12.13022422078211
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating causal effects from observational data is central to science and policy, but the effects are not identified when confounders are unmeasured. Proximal causal inference addresses this problem with proxies of the unmeasured confounders. However, existing proxy-based approaches either designate proxy roles and solve an inverse problem, which is ill-posed and hard to estimate with high-dimensional proxies, or use a latent-variable model, which assumes that the learned latent variable matches the hidden confounder and leaves bias when it does not. To address these challenges, we introduce proximal balancing. It carries the classical idea of covariate balancing to confounders that are observed only through proxies: it learns a low-dimensional summary of the covariates and proxies that makes the treatment groups comparable, and then adjusts for this summary. It needs no designated proxy roles, inverse problem, or latent model. We give identification theory, finite-sample guarantees, and a practical algorithm, PROBE. We demonstrate the method on low-dimensional, high-dimensional, and image proxies and on real-world data.
• Abstract（参考訳）: 観測データから因果効果を推定することは、科学と政策の中心であるが、共同設立者が測定されていない場合、その効果は特定されない。 近因果推論は、計測されていない共同設立者のプロキシとこの問題に対処する。 しかし、既存のプロキシベースのアプローチでは、プロキシロールを指定し、高次元プロキシで見積もることのできない逆問題を解決するか、学習された潜伏変数が隠れた共同創設者と一致し、そうでなければバイアスを残さないと仮定する潜伏変数モデルを使用する。 これらの課題に対処するために、近位バランスを導入します。 共変量バランスという古典的な考え方は、プロキシを通してのみ観察される共変量バランス(covariate balance)という古典的な考え方を持ち、共変量とプロキシの低次元の要約を学習し、処理群を同等にし、この要約に合わせて調整する。 指定されたプロキシロール、逆問題、潜在モデルを必要としない。 本稿では,識別理論,有限サンプル保証,実用的なアルゴリズム PROBE を提案する。 本手法は,低次元,高次元,画像プロキシおよび実世界のデータ上で実証する。

関連論文リスト

• Proximal Mediation Analysis with Hidden Recanting Witnesses [6.9475003037956435]
  多くの実践的な設定は、治療によって引き起こされた仲介者-アウトカムの共同設立者として定義される証人が欠席しているか、または完全に知られた先駆者である、という仮定に依存している。 本研究は,未確認の目撃者の存在下での経路特異的な影響を特定することの課題に対処する,3つの新しい識別戦略を開発する。
  論文  参考訳（メタデータ） (2026-06-16T07:07:06Z)
• Causal Inference with Categorical Unobserved Confounder via Mixture Learning [20.542714966688656]
  未保存の共同創設者が適切な条件下でカテゴリー化されている場合、因果効果が識別可能であることを示す。 本稿では, テンソル分解に基づく推定手法を提案する。
  論文  参考訳（メタデータ） (2026-05-18T18:28:16Z)
• Causal Algorithmic Recourse: Foundations and Methods [57.73269033551628]
  AIシステムの主な特徴は、個人が否定的な決定を覆す方法のレコメンデーションを提供する能力である。 既存のアプローチでは、recourseの結果を固定単位の反事実として扱う。 我々は、事前および事後結果のプロセスとして、会話をモデル化する因果的枠組みを開発する。
  論文  参考訳（メタデータ） (2026-05-12T00:55:19Z)
• Estimate Level Adjustment For Inference With Proxies Under Random Distribution Shifts [42.80341491181117]
  我々は、プロキシベースの推論をキャリブレーションするために、ドメイン適応技術にインスパイアされた推定レベルフレームワークを導入する。 このフレームワークは、パラメータレベルでのランダムな効果としてプロキシ・プライマリ・メトリックの相違をモデル化し、その分布を集計された歴史的観測から推定する。 さらに、公開データセットと実世界の実験を用いて、このアプローチを検証する。
  論文  参考訳（メタデータ） (2026-05-07T16:07:35Z)
• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• Density Ratio-based Proxy Causal Learning Without Density Ratios [26.49087216375106]
  本稿では,隠れた共起の存在下で観測データから因果効果を推定することを目的とした,プロキシ因果学習(PCL)の設定に対処する。 プロキシ変数の因果効果を推定する2つの手法が提案されている。 本稿では, 比比の明示的推定を回避し, 連続・高次元処理に適した第2の手法の実用的, 効果的な実装を提案する。
  論文  参考訳（メタデータ） (2025-03-11T12:27:54Z)
• Sequential Manipulation Against Rank Aggregation: Theory and Algorithm [119.57122943187086]
  脆弱なデータ収集プロセスに対するオンライン攻撃を活用します。 ゲーム理論の観点からは、対決シナリオは分布的に堅牢なゲームとして定式化される。 提案手法は,ランクアグリゲーション手法の結果を逐次的に操作する。
  論文  参考訳（メタデータ） (2024-07-02T03:31:21Z)
• Automating the Selection of Proxy Variables of Unmeasured Confounders [16.773841751009748]
  既存のプロキシ変数推定器を拡張して、治療と結果の間に複数の未測定の共同創設者が存在するシナリオに対応する。 本稿では、プロキシ変数の選択と因果効果の偏りのない推定のための2つのデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2024-05-25T08:53:49Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Off-policy Evaluation in Infinite-Horizon Reinforcement Learning with Latent Confounders [62.54431888432302]
  無限水平エルゴードマルコフ決定過程におけるOPE問題について考察する。 我々は、状態と行動の潜在変数モデルのみを考慮すれば、政策値が政治外のデータから特定できることを示す。
  論文  参考訳（メタデータ） (2020-07-27T22:19:01Z)

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。