論文の概要: A Foundation Model for Policy In-Context Longitudinal Causal Effect Estimation

• arxiv url: http://arxiv.org/abs/2610.32863v1
• Date: Fri, 23 Oct 2026 16:34:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.607824
• Title: A Foundation Model for Policy In-Context Longitudinal Causal Effect Estimation
• Title（参考訳）: 政策の時間的因果効果推定のための基礎モデル
• Abstract要約: PICLE-PFNは、コンテキスト内履歴決定デモを通じてターゲットポリシーを表現する。 データセット、ポリシー、地平線にわたって因果効果を推定する。 競合するRMSEを実現し、デプロイランタイムのごく一部で不確かさのキャリブレーションを大幅に改善する。
• 参考スコア（独自算出の注目度）: 21.03107403865635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Longitudinal causal effect estimation is complicated by time-varying confounding and treatment-confounder feedback loops. Existing methods generally require data-specific nuisance-model fitting, and many are tailored to prespecified treatment sequences or prediction horizons, leading to time-consuming computation at deployment. We introduce *Policy In-Context Longitudinal causal Effect estimation with Prior-data Fitted Networks* (**PICLE-PFN**), the first foundation model for longitudinal causal effect estimation that supports *dynamic* treatment policies. PICLE-PFN represents target policies through in-context history-decision demonstrations, providing a unified interface for a broad class of treatment policies. Pretrained over synthetic data sampled from longitudinal structural causal models, PICLE-PFN amortizes causal effect estimation across datasets, policies, and horizons. Given a new observational dataset and target policy, it directly predicts conditional average potential outcomes (CAPOs) in one forward pass without task-specific training or hyperparameter tuning. Across synthetic and semi-synthetic longitudinal benchmarks, PICLE-PFN achieves competitive RMSE and substantially improved uncertainty calibration with a fraction of deployment runtime, compared to state-of-the-art conventional estimators trained and tuned separately for each dataset.
• Abstract（参考訳）: 経時的因果効果推定は, 時間差の相違や治療・創始フィードバックループによって複雑になる。 既存の方法は一般にデータ固有のニュアンスモデルフィッティングを必要としており、多くは事前に定義された処理シーケンスや予測水平線に合わせて調整されており、デプロイ時に時間を要する計算に繋がる。 そこで本稿では,*dynamic* 処理ポリシーをサポートする縦方向因果効果推定のための最初の基礎モデルである,*PICLE-PFN* を用いた *Policy In-Context Longitudinal causdinal Effect Estimation について紹介する。 PICLE-PFNは、コンテキスト内履歴決定デモを通じてターゲットポリシーを表現し、幅広い治療ポリシーの統一インターフェースを提供する。 PICLE-PFNは、縦構造因果モデルからサンプリングされた合成データに基づいて、データセット、ポリシー、地平線間で因果効果を推定する。 新たな観測データセットと目標ポリシが与えられた場合、タスク固有のトレーニングやハイパーパラメータチューニングなしで、1回のフォワードパスで条件平均ポテンシャル結果(CAPO)を直接予測する。 PICLE-PFNは、合成および半合成の縦断ベンチマーク全体にわたって、競合RMSEを達成し、各データセットに対して個別にトレーニングおよび調整された最先端の従来型推定器と比較して、少数のデプロイメントランタイムによる不確実性キャリブレーションを大幅に改善する。

関連論文リスト

• A plug-in estimator of the non-iterative conditional expectation g-formula using long short-term memory models [12.117286448686242]
  LSTMベースのNICE g-formulaプラグイン推定器はパラメトリック推定器よりもバイアスが少ないことを示す。 この研究は、ディープラーニングプラグイン推定器を含む理論フレームワークの開発を促進することを目的としている。
  論文  参考訳（メタデータ） (2026-10-19T22:30:34Z)
• 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)
• Smooth Multi-Policy Causal Effect Estimation in Longitudinal Settings [13.1234934131475]
  本稿では,共有表現による共同推定が可能な反復条件予測(ICE)Q-関数の再パラメータ化を提案する。 共有ポリシエンコーダを中心としたアーキテクチャであるPEQ-Net(Policy-Encoded Q Network)において,このアプローチを実装した。 半合成データセットの実験では、PEQ-Netは既存のICEベースの手法よりも一貫して優れており、ルート平均二乗誤差の大幅な削減を実現している。
  論文  参考訳（メタデータ） (2026-05-14T02:33:58Z)
• Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
  本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。 MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。 MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
  論文  参考訳（メタデータ） (2025-11-26T17:01:41Z)
• The Coverage Principle: How Pre-Training Enables Post-Training [70.25788947586297]
  予備学習が最終モデルの成功をどう形作るかを検討する。 下流の性能予測におけるカバレッジのパワーを説明するメカニズムを明らかにする。
  論文  参考訳（メタデータ） (2025-10-16T17:53:50Z)
• CausalPFN: Amortized Causal Effect Estimation via In-Context Learning [19.54034651361769]
  CausalPFNは、ボックスから新しい観測データセットに因果効果を推測する。 提案手法は,不均一および平均処理効果評価ベンチマークにおいて,優れた平均性能を実現する。 CausalPFNはベイズ原理に基づく信頼性の高い意思決定を支援するために、校正された不確実性推定を提供する。
  論文  参考訳（メタデータ） (2025-06-09T16:31:06Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Efficient adjustment for complex covariates: Gaining efficiency with DOPE [56.537164957672715]
  共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。 理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。 その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
  論文  参考訳（メタデータ） (2024-02-20T13:02:51Z)
• Post Reinforcement Learning Inference [20.521169740409263]
  強化学習アルゴリズムによって収集されたデータを用いて推定と推定を行う。 この分散を安定化させるために適応重みを用いる重み付き一般化モーメント法(GMM)を提案する。 主な用途は、動的処理効果の推定と動的オフポリシー評価である。
  論文  参考訳（メタデータ） (2023-02-17T12:53:15Z)

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。