論文の概要: Explaining Heterogeneous Treatment Effects with Causal Forests and the Hoeffding Functional Decomposition

• arxiv url: http://arxiv.org/abs/2610.16447v1
• Date: Mon, 12 Oct 2026 09:14:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 23:11:27.69042
• Title: Explaining Heterogeneous Treatment Effects with Causal Forests and the Hoeffding Functional Decomposition
• Title（参考訳）: 因果樹林における不均質処理効果の解明とホエフディング機能分解
• Abstract要約: 本稿では,木群集に適応したHoeffding関数分解に基づく,因果林の解釈可能な拡張であるCausalTreeHFDを紹介する。 提案手法は,条件平均処理効果(CATE)の予測を,各共変量およびペア相互作用の寄与に分解する。
• 参考スコア（独自算出の注目度）: 1.6886493310057193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The estimation of heterogeneous treatment effects is a central objective of causal inference. However, state-of-the-art algorithms to solve this task are based on machine learning principles, and thus behave as black boxes. Consequently, the identification of covariates driving heterogeneity remains a challenging and open problem. To address this limitation, we introduce CausalTreeHFD, an interpretable extension of causal forests, based on the Hoeffding functional decomposition adapted to tree ensembles. Our approach decomposes predictions of conditional average treatment effects (CATE) into contributions from individual covariates and pairwise interactions, providing a direct characterization of the factors driving treatment effect heterogeneity. We establish the consistency of CausalTreeHFD, which converges towards the Hoeffding decomposition of the underlying CATE function, under standard assumptions for the analysis of causal forests. Experiments on simulated and real datasets show that CausalTreeHFD accurately identifies relevant covariates and interactions, and precisely recovers their contributions to heterogeneous treatment effects.
• Abstract（参考訳）: 不均一な治療効果の推定は因果推論の中心的目的である。 しかし、この課題を解決するための最先端のアルゴリズムは、機械学習の原則に基づいており、ブラックボックスとして振る舞う。 その結果、異種を駆動する共変体の同定は困難かつオープンな問題のままである。 この制限に対処するため,木アンサンブルに適応したHoeffding関数分解に基づく因果林の解釈可能な拡張であるCausalTreeHFDを導入する。 提案手法は, 条件平均治療効果(CATE)の予測を, 個々の共変量および対の相互作用の寄与に分解し, 治療効果を不均一に駆動する因子の直接的特徴を与える。 本研究では,CATE関数のフーフディング分解に収束するCausalTreeHFDの一貫性を,因果林解析の標準的な前提の下で確立する。 シミュレーションおよび実データを用いた実験により、CausalTreeHFDは関連する共変量や相互作用を正確に同定し、不均一な治療効果への貢献を正確に回復することが示された。

関連論文リスト

• Learning heterogeneous treatment effects under principal stratification [4.965155763091777]
  主無知下における条件付き主因果効果の同定と推定について検討した。 本稿では,主成層に固有のネスト状ニュアンス構造を解消する,二重整合型二重剛性機械を提案する。
  論文  参考訳（メタデータ） (2026-06-27T20:27:17Z)
• Disentangled Double Machine Learning for Accurate Causal Effect Estimation [80.07136847623498]
  共起バイアスは観測データから因果効果を推定する上で重要な課題である。 二重機械学習(Double Machine Learning, DML)は、処理と結果ニュアンス関数を推定することによってこの問題に対処する。 DMLは高次元または有限サンプルのシナリオにおいてバイアス付きおよび不安定な推定をしばしば生成する。 本稿では,2つの重要な戦略を統合する新しいアルゴリズムであるDistangled Double Machine Learning (DDML)を提案する。
  論文  参考訳（メタデータ） (2026-05-24T01:40:43Z)
• ConfoundingSHAP: Quantifying confounding strength in causal inference [70.18600230387723]
  因果推論では、共同設立者は治療の決定と結果の両方に影響を与える変数である。 本稿では,各共変量に共起強度を寄与させるShapleyベースの手法であるConfoundingSHAPを紹介する。 様々なデータセットにまたがる実践的価値を実証する。
  論文  参考訳（メタデータ） (2026-05-11T13:19:33Z)
• Kernel-based estimators for functional causal effects [1.6749379740049928]
  実験的なFr'echet平均と演算子評価カーネルに基づく因果効果推定器を提案する。 これらの手法は、処理ミス特異性に対する堅牢性を維持しながら、高次元性、逐次順序付け、モデル複雑性の課題に対処する。
  論文  参考訳（メタデータ） (2025-03-06T22:48:55Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• 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)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)

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。