論文の概要: Beyond Distributional Fidelity: Causal-Penalized Diffusion for Synthetic Tabular Data

• arxiv url: http://arxiv.org/abs/2610.11407v1
• Date: Thu, 08 Oct 2026 07:36:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.865212
• Title: Beyond Distributional Fidelity: Causal-Penalized Diffusion for Synthetic Tabular Data
• Title（参考訳）: 分布の忠実性を超えて:合成語彙データに対する因果拡散
• Abstract要約: 因果忠実度は、実データと合成データから得られた推論分布の相違として定義される。 本稿では,因果不一致のペナルティを生成目的に付加する因果不一致対応トレーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.330700116470101
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic tabular generators are commonly optimized for distributional fidelity, but statistical similarity alone does not guarantee preservation of causal effects. In this paper, we study whether causal fidelity can be improved directly within a fully generative tabular model. Causal Fidelity is defined with respect to a target estimand as the discrepancy between inferential distributions obtained from real and synthetic data, and theoretical results show that high statistical fidelity does not generally imply high causal fidelity. We then propose a causal-fidelity-aware training framework which adds a causal discrepancy penalty to the generative objective. The framework is instantiated with a causal-penalized TabDDPM and optimized using an on-policy score-function estimator. We further establish conditions under which causal regularization improves expected causal fidelity. Experiments across diverse treatment-effect simulations and two benchmark datasets evaluate the ability of our method to improve causal fidelity while preserving competitive statistical fidelity.
• Abstract（参考訳）: 合成表型ジェネレータは一般に分布の忠実度に最適化されているが、統計的類似性だけでは因果効果の保存は保証されていない。 本稿では,完全生成表モデルにおいて,因果的忠実度を直接的に改善できるかどうかを考察する。 因果忠実度は、実データと合成データから得られた推論分布の相違として、対象推定値に対して定義されており、理論的には、高い統計的忠実度が一般的に因果忠実度を含まないことを示している。 次に, 因果不一致のペナルティを生成目的に付加する因果不一致対応トレーニングフレームワークを提案する。 このフレームワークは因果報酬化TabDDPMでインスタンス化され、オン・ポリシーのスコア関数推定器を用いて最適化される。 さらに、因果正則化が期待因果忠実性を改善する条件を確立する。 多様な治療効果シミュレーションと2つのベンチマークデータセットによる実験により、競合統計的忠実性を維持しつつ、因果的忠実性を改善するための手法の有効性が評価された。

関連論文リスト

• On the Reliability of Generative Augmentation: A Wasserstein-Based Theoretical and Empirical Study [0.0]
  本研究では,条件付き生成促進のための統計的枠組みを開発し,その分類リスクへの影響を解析する。 得られたリスク歪みは, 拡張強度とクラス条件ワッサーシュタインの相違により制御されることを示す。 条件付きGANと条件付きWGAN-GP拡張を用いた二項・多クラス不均衡分類タスクのフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-09-01T15:30:24Z)
• CARE: Causally-Aligned Reasoning Exploration for Medical Large Language Models [68.18247112359337]
  大規模言語モデル(LLM)は、医学的推論に強い可能性を示しているが、専門家による注釈付きデータの不足とコストは、その進歩を妨げている。 本稿では,本質的な経験キュレーションの枠組みであるCausally-Aligned Reasoning Exploration (CARE)を提案する。 CAREは、他の強力な競争相手よりも一貫して優れており、正しいが一貫性のない推論を大幅に削減し、トレーニングの安定性を改善している。
  論文  参考訳（メタデータ） (2026-06-29T05:40:35Z)
• 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)
• Controllable Generative Sandbox for Causal Inference [9.416664327739516]
  CausalMixは因果推論のための変分生成フレームワークである。 安定した微粒な因果制御を提供しながら、混合型テーブル上で最先端の分散メトリクスを実現する。 転移性キャスティング抵抗性前立腺癌治療における安全性の比較検討において実用的有用性を示した。
  論文  参考訳（メタデータ） (2026-03-03T23:37:05Z)
• CausalWrap: Model-Agnostic Causal Constraint Wrappers for Tabular Synthetic Data [4.08271266107383]
  CausalWrapは、事前訓練されたベースジェネレータに部分的な因果知識を注入するモデルに依存しないラッパーである。 CWは、ベースジェネレータからのサンプルに適用された軽量で微分可能なポストホック補正マップを学習する。 CWは多様なベースジェネレータ間の因果性を改善する。
  論文  参考訳（メタデータ） (2026-03-02T15:59:46Z)
• Penalized Empirical Likelihood for Doubly Robust Causal Inference under Contamination in High Dimensions [0.720409153108429]
  低サンプルサイズ方程式における平均処理効果を2倍頑健に推定する手法を提案する。 提案した信頼区間は, 競合する推定値と比較して効率がよいことを示す。
  論文  参考訳（メタデータ） (2025-07-23T11:58:54Z)
• An AI-powered Bayesian generative modeling approach for causal inference in observational studies [4.4876925770439415]
  CausalBGMはAIを利用したベイズ生成モデリングアプローチである。 低次元潜在特徴集合の個別分布を学習することにより、個別処理効果(ITE)を推定する。
  論文  参考訳（メタデータ） (2025-01-01T06:52:45Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)

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。