論文の概要: Proximal Causal Learning under Unmeasured Confounding

• arxiv url: http://arxiv.org/abs/2610.04519v1
• Date: Sat, 03 Oct 2026 13:33:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 19:11:05.676306
• Title: Proximal Causal Learning under Unmeasured Confounding
• Title（参考訳）: コンバウンディングによる近位因果学習
• Abstract要約: 観測データによる治療効果の推定は、通常、非計測的結束推定(NUCA)に依存する。 本稿では,プロキシ変数を経由した非計測的推論に対処するために,PCL(Proximal causal Learning)を提案する。
• 参考スコア（独自算出の注目度）: 4.798462201948948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating treatment effects from observational data typically relies on the No Unmeasured Confounding Assumption (NUCA), which rarely holds in practice. Proximal causal learning (PCL) addresses unmeasured confounding via proxy variables, yet existing methods require the proxy variables to be pre-specified. Thus, we propose PCL-U, a framework that learns proxy variables directly from observed covariates. PCL-U uses neural encoders to decompose covariates into treatment-inducing, outcome-inducing, and shared proxies, guided by minimax mutual information objectives, and obtains causal estimates through a practical moment-based risk function. Experiments on benchmarks show that PCL-U matches or outperforms existing baselines. Besides, there are two types of synthetic datasets with varying dimensions and confounding strengths that illustrate that our method maintains stable estimation accuracy.
• Abstract（参考訳）: 観測データから治療効果を推定するには、通常、実際にはほとんど保持されないNo Unmeasured Confounding Assumption (NUCA)に依存する。 Proximal causal Learning (PCL) は、プロキシ変数による未測定のコンバウンディングに対処するが、既存のメソッドではプロキシ変数を事前に指定する必要がある。 そこで我々は,観測された共変量から直接プロキシ変数を学習するフレームワークであるPCL-Uを提案する。 PCL-Uはニューラルエンコーダを用いて、共変体を治療誘導、結果誘導、共有プロキシに分解し、最小限の情報目的によって誘導し、実用的なモーメントベースのリスク機能を通じて因果推定を得る。 ベンチマークの実験では、PCL-Uは既存のベースラインにマッチするか、上回っている。 さらに,各次元の異なる2種類の合成データセットと,提案手法が安定した推定精度を維持していることを示すコンバウンディング強度が存在する。

関連論文リスト

• Orthogonal machine learning for conditional odds and risk ratios [0.0]
  我々は既存の手法をレビューし、オッズ比(OR)とリスク比(RR)に着目して新しい手法を提案する。 ORとRRの直交リスク関数を導出し、関連する擬似アウトカムがATEの場合と類似した2次条件付き残余特性を満たすことを示す。 また, 条件付きATE, OR, RRの予測をモンテカルロシミュレーションの包括的非パラメトリックシミュレーションで評価し, 数百の異なるデータ生成分布下での一般的な選択肢と比較した。
  論文  参考訳（メタデータ） (2026-04-12T02:14:58Z)
• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Deep Proxy Causal Learning and its Application to Confounded Bandit Policy Evaluation [26.47311758786421]
  プロキシ因果学習(英: Proxy causal learning、PCL)は、治療の因果効果を未観察の結束の有無で推定する方法である。 そこで本研究では,PCLの新しい手法であるDFPV(Deep Feature proxy variable method)を提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:36:13Z)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)
• Localized Debiased Machine Learning: Efficient Inference on Quantile Treatment Effects and Beyond [69.83813153444115]
  因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。 Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。 本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
  論文  参考訳（メタデータ） (2019-12-30T14:42:52Z)

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。