論文の概要: Pragmatic DML with AI-Learned Representations

• arxiv url: http://arxiv.org/abs/2610.01935v2
• Date: Fri, 02 Oct 2026 08:57:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.00108
• Title: Pragmatic DML with AI-Learned Representations
• Title（参考訳）: AI学習表現を用いた実用的なDML
• Abstract要約: 学習した表現を用いた因果推論のためのフレームワークを開発する。 クロスフィットダブル機械学習(DML)は、表現依存ターゲットに対して有効なウォルド推論を提供する。 コンベックスとスターアグリゲーションのパイプラインを構築し,表現の学習と組み合わせを行う。
• 参考スコア（独自算出の注目度）: 4.521824396048902
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text, images, and other rich covariates are increasingly compressed into AI-learned representations and then used as controls in causal analysis. We study when this approach is valid and develop a practical framework for causal inference with learned representations. For a broad class of estimands, an imperfect representation distorts the target causal parameter by the product of two representation errors: one in the outcome regression and one in the balancing weight (or Riesz representer). This yields three constructive results. First, cross-fitted double machine learning (DML) provides valid Wald inference for the representation-dependent target. When representation errors are small, the same interval covers the causal parameter, and it can even attain the semiparametric efficiency bound. Second, fold-wise representation learning (or fine-tuning) is compatible with DML inference for the causal parameter. To this end, we develop convex- and star-aggregation pipelines for learning and combining representations. Third, when representation errors are substantial, we can provide interpretable sensitivity regions and root-$n$ inference for their endpoints. In a multi-modal demand application, seven representation-specific estimates and their star aggregate all imply a negative near-unit elasticity for rank-based price response, and the result remains robust over the reported sensitivity grid.
• Abstract（参考訳）: テキスト、画像、その他のリッチな共変体は、AIが学習した表現に圧縮され、因果解析の制御として使用される。 本稿では,この手法が有効であるかどうかを考察し,学習した表現を用いた因果推論の実践的枠組みを開発する。 広いクラスの推定について、不完全表現は2つの表現誤差の積によって対象因果パラメータを歪ませる:結果回帰の1とバランスウェイト(またはリース表現器)の1である。 これにより3つの構成結果が得られる。 まず、クロスフィットダブル機械学習(DML)は、表現依存のターゲットに対して有効なウォルド推論を提供する。 表現誤差が小さい場合、同じ間隔が因果パラメータをカバーし、半パラメトリック効率バウンドを達成できる。 第二に、折りたたみ表現学習(または微調整)は因果パラメータのDML推論と互換性がある。 この目的のために,コンベックスとスターアグリゲーションのパイプラインを開発し,表現の学習と組み合わせを行う。 第三に、表現エラーが実質的である場合、エンドポイントに対して解釈可能な感度領域とroot-$n$推論を提供できる。 マルチモーダル・デマンド・アプリケーションにおいて、7つの表現特異的な推定値とその星集合は、全てランクベースの価格応答に対する負の近接ユニット弾性を示し、報告された感度グリッドよりも頑健である。

関連論文リスト

• Where Does Generative Difficulty Reside? An Empirical Study of Target Representations [62.54876287800644]
  ターゲット表現は、イメージジェネレータが学ぶ必要がある分布を定義するが、しばしば交換可能なインターフェースとして扱われる。 マスク付き自己回帰整流モデルにおいて,生画素,SD-VAE潜伏剤,DINOv2,MAE表現-オートエンコーダの特徴について検討した。 その結果, 圧縮, 再構成忠実度, トークン次元, 可視的セマンティッククラスタリングは生成挙動を個別に予測できないことがわかった。
  論文  参考訳（メタデータ） (2026-08-01T12:32:31Z)
• Measuring Representation Robustness in Large Language Models for Geometry [7.743292557234699]
  幾何学において、同一の問題はユークリッド、座標、ベクトル形式で表すことができる。 既存のベンチマークでは、固定フォーマットの精度が報告されている。 表現対応評価フレームワークGeoRepEvalを提案する。
  論文  参考訳（メタデータ） (2026-04-03T11:36:49Z)
• A Visualization for Comparative Analysis of Regression Models [1.1024591739346294]
  平均絶対誤差(MAE)、ルート平均二乗誤差(RMSE)、R二乗誤差(R$2$)など、様々な測定値を用いて測定される。 この記事では、回帰モデルのパフォーマンスの重要な側面を強調する、新しい視覚化アプローチを紹介します。
  論文  参考訳（メタデータ） (2026-03-10T07:31:34Z)
• Impact of Connectivity on Laplacian Representations in Reinforcement Learning [9.306521175972588]
  本研究では, 線形値関数近似の近似誤差について, 学習スペクトル条件下での上限値を示す。 固有ベクトル推定自体によってもたらされる誤差をさらに制限し、エンドツーエンドのエラー分解に繋がる。 我々の結果は、誘導された遷移核の対称性を仮定せずに一般的な(一様でない)ポリシーを保っている。
  論文  参考訳（メタデータ） (2026-03-09T16:20:31Z)
• Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
  文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。 CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。 CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
  論文  参考訳（メタデータ） (2024-02-05T03:25:04Z)
• Interpretability at Scale: Identifying Causal Mechanisms in Alpaca [62.65877150123775]
  本研究では、Boundless DASを用いて、命令に従う間、大規模言語モデルにおける解釈可能な因果構造を効率的に探索する。 私たちの発見は、成長し、最も広くデプロイされている言語モデルの内部構造を忠実に理解するための第一歩です。
  論文  参考訳（メタデータ） (2023-05-15T17:15:40Z)
• Large-Margin Representation Learning for Texture Classification [67.94823375350433]
  本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。 テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
  論文  参考訳（メタデータ） (2022-06-17T04:07:45Z)
• CETransformer: Casual Effect Estimation via Transformer Based Representation Learning [17.622007687796756]
  データ駆動因果効果推定は、選択バイアスと反事実の欠如という2つの大きな課題に直面している。 これら2つの問題に対処するため、既存のアプローチのほとんどは、バランスの取れた表現を学ぶことで選択バイアスを減らす傾向にある。 本稿では,CETransformerモデルを用いて,変換器を用いた表現学習によるカジュアルエフェクト推定を提案する。
  論文  参考訳（メタデータ） (2021-07-19T09:39:57Z)
• Revisiting Factorizing Aggregated Posterior in Learning Disentangled Representations [39.064081197865825]
  サンプル表現の総相関の低さは平均表現の総相関の低さを保証できないことを示す。 本研究は, 今後の非絡み合い学習研究の方向性を示すものである。
  論文  参考訳（メタデータ） (2020-09-12T07:31:30Z)
• Plannable Approximations to MDP Homomorphisms: Equivariance under Actions [72.30921397899684]
  学習した表現に作用同値を強制する対照的な損失関数を導入する。 損失が 0 であるとき、決定論的マルコフ決定過程の準同型が存在することを証明している。 本研究では, 決定論的MDPに対して, 抽象MDPの最適方針を元のMDPに引き上げることに成功した。
  論文  参考訳（メタデータ） (2020-02-27T08:29:10Z)

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。