論文の概要: ProximalFM: Amortized Proximal Causal Inference under Hidden Confounding
- arxiv url: http://arxiv.org/abs/2610.08078v1
- Date: Tue, 06 Oct 2026 10:07:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.928889
- Title: ProximalFM: Amortized Proximal Causal Inference under Hidden Confounding
- Title（参考訳）: ProximalFM:隠れたコンバウンディング下での近位因果推論
- Abstract要約: 近因果推論では、プロキシ変数を使用して、隠れたコンバウンディングの下で効果を識別する。
構造因果モデルに適合する構造因果モデルから抽出した合成データに、オラクル対策品へのアクセスを学習する。
点推定を主眼とする先行文献と比較して,我々のモデルである ProximalFM は,条件平均処理効果(CATE)のベイズ後部分布を明示的にターゲットとしている。
- 参考スコア（独自算出の注目度）: 4.8023316069859066
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Standard causal identification methods often assume no unmeasured confounding and can fail when relevant confounders are unobserved. Proximal causal inference instead uses proxy variables to identify effects under hidden confounding. However, nonparametric proximal estimation can be challenging in practice: recovering causal estimands such as the conditional average treatment effect (CATE) requires solving an ill-posed integral equation that is data-hungry, hyperparameter-sensitive, and optimization-unstable. Bayesian inference for such models provides a desirable alternative, mitigating these difficulties by regularizing through the prior. However, computing a posterior is itself challenging, as a typical likelihood function will include latent variables. Following the recent success of tabular foundation models in backdoor, instrumental variable, and frontdoor settings, we propose that prior-data fitted networks (PFNs) are uniquely suited to resolve this bottleneck. Indeed, by training on synthetic data sampled from compliant structural causal models with access to oracle counterfactuals, we simplify the task substantially, amortizing the implied Bayesian operator inversion into a single transformer forward pass. Compared to prior literature that focuses primarily on point estimation, our model, ProximalFM, explicitly targets the Bayesian posterior distribution of the CATE. One unique aspect of this problem is that we need to provide Monte Carlo estimates of the oracle CATEs, leading to a novel variation of PFNs that accounts for the added stochastic error. Across a diverse suite of proximal regimes, ProximalFM achieves consistently strong CATE-estimation performance without dataset-specific tuning, with its largest advantage when latent confounding is substantial and the proxies are weakly informative; it also provides fast inference through a single amortized forward pass.
- Abstract（参考訳）: 標準的な因果同定法は、しばしば未測定の共起を前提とせず、関係する共同設立者が観察されていない場合に失敗することがある。
近因果推論は代わりにプロキシ変数を使用して、隠れたコンバウンディングの下で効果を識別する。
条件平均処理効果(CATE)のような因果推定を復元するには、データ・ハングリー、ハイパーパラメータ・センシティブ、最適化不能な積分方程式を解く必要がある。
そのようなモデルに対するベイズ的推論は望ましい選択肢となり、前者を通して正規化することでこれらの困難を緩和する。
しかし、典型的な確率関数は潜伏変数を含むので、後続関数の計算自体が困難である。
バックドア, 楽器変数, フロントドア設定における表層基礎モデルの成功に続いて, このボトルネックを解決するのに先行データ適合型ネットワーク(PFN)が一意に適していることを示す。
実際、従属構造因果モデルから抽出された合成データにオラクル反事実へのアクセスを施すことで、インプリートされたベイズ作用素を1つの変圧器フォワードパスに変換することで、タスクを大幅に単純化する。
点推定を主眼とする先行文献と比較して,我々のモデルである ProximalFM は,CATE のベイズ的後部分布を明示的にターゲットとしている。
この問題のユニークな側面の1つは、モンテカルロにオラクル CATE の見積もりを与える必要があることであり、これは新たに確率誤差を加えた PFN の変種をもたらす。
ProximalFMは、多種多様な近縁系全体にわたって、データセット固有のチューニングなしで一貫して強力なCATE推定性能を達成する。
関連論文リスト
- Covariance-Boosted Gaussian Processes for Spatiotemporal Irregularities [0.0]
本稿では,衛星ベースの拡張システムのための電離層モデリングにより,共分散ブーストガウス過程(CBGP)フレームワークを提案する。
CBGPモデルの有効性とロバスト性は、シミュレーションと実世界の両方のアプリケーションのサンプル外テストによって実証される。
南アメリカ上空の広範囲な電離圏嵐データセットのモデリングは、SBASの電離圏補正を計算する正確で信頼性の高い手段を示唆している。
論文 参考訳（メタデータ） (2026-07-25T03:24:04Z) - 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) - Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
制約を克服するオイラー法に対する全変分に基づく解析法を開発した。
その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。
全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
論文 参考訳（メタデータ） (2026-02-26T00:47:51Z) - Principled Input-Output-Conditioned Post-Hoc Uncertainty Estimation for Regression Networks [1.4671424999873808]
不確実性は安全性に敏感なアプリケーションでは重要であるが、予測性能に悪影響を及ぼすため、市販のニューラルネットワークから排除されることが多い。
本稿では,従来の入力と凍結モデルの両方に補助モデルを適用することにより,回帰タスクにおけるポストホック不確実性推定のための理論的基盤となるフレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-01T09:13:27Z) - Unveiling the Statistical Foundations of Chain-of-Thought Prompting Methods [59.779795063072655]
CoT(Chain-of-Thought)の促進とその変種は、多段階推論問題を解決する効果的な方法として人気を集めている。
統計的推定の観点からCoTのプロンプトを解析し,その複雑さを包括的に評価する。
論文 参考訳（メタデータ） (2024-08-25T04:07:18Z) - Inference at the data's edge: Gaussian processes for modeling and inference under model-dependency, poor overlap, and extrapolation [0.0]
ガウス過程 (GP) はフレキシブルな非線形回帰法である。
これは、予測された(非現実的な)値に対する不確実性を扱うための原則化されたアプローチを提供する。
これは外挿または弱い重なり合いの条件下では特に有用である。
論文 参考訳（メタデータ） (2024-07-15T05:09:50Z) - Partial Identification with Noisy Covariates: A Robust Optimization
Approach [94.10051154390237]
観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。
このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。
合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
論文 参考訳（メタデータ） (2022-02-22T04:24:26Z) - Reducing the Amortization Gap in Variational Autoencoders: A Bayesian
Random Function Approach [38.45568741734893]
GPモデルの推論は、セミアモタイズ法よりもはるかに高速な1つのフィードフォワードパスによって行われる。
提案手法は,複数のベンチマークデータセットの最先端データよりも高い確率でテストデータが得られることを示す。
論文 参考訳（メタデータ） (2021-02-05T13:01:12Z) - Generalizing Variational Autoencoders with Hierarchical Empirical Bayes [6.273154057349038]
確率的生成モデルのための計算的に安定なフレームワークである階層的経験的ベイズオートエンコーダ(HEBAE)を提案する。
鍵となる貢献は2つであり、まず、符号化分布を階層的に優先することで、再構成損失関数の最小化と過正規化の回避とのトレードオフを適応的にバランスさせることで、利益を得る。
論文 参考訳（メタデータ） (2020-07-20T18:18:39Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z)
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。