論文の概要: Balance-Guided Forest for Causal Effect Estimation

• arxiv url: http://arxiv.org/abs/2611.05723v1
• Date: Tue, 03 Nov 2026 22:51:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.896172
• Title: Balance-Guided Forest for Causal Effect Estimation
• Title（参考訳）: 因果効果推定のためのバランスガイド森林
• Abstract要約: 既存のバランシング手法は、まずツリーベースの表現を学び、その後に重みのバランスをとる。 本研究では、現在のバランスウェイトを利用してその後の樹木建設をガイドするバランスガイド森林を提案する。 繰り返し構成を重み付け誤差と因果バイアスに結びつけるオラクル型境界を確立する。
• 参考スコア（独自算出の注目度）: 0.08594140167290097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Covariate balancing is widely used for estimating causal effects in observational studies. A central challenge is determining which covariate features should be balanced. Forest-kernel balancing provides a data-driven way to learn informative balancing features. Existing forest-kernel balancing methods first learn a tree-based representation and then construct balancing weights. However, this procedure creates a mismatch, as limited tree capacity may be spent on features that are already well represented. We propose Balance-Guided Forest (BGF), which uses the current balancing weights to guide subsequent tree construction. BGF grows trees using a novel splitting score that combines residual imbalance with an outcome contrast, favoring splits that separate outcome-relevant regions where imbalance remains. This couples representation learning with covariate balancing rather than treating balancing as a downstream step. We establish an oracle-type bound that links the iterative construction to weighting error and causal bias. Simulations exhibit improvements in causal estimation relative to existing forest-kernel approaches. Real-data applications illustrate the practical behavior of BGF across observational studies.
• Abstract（参考訳）: 共変量バランスは、観測研究における因果効果の推定に広く用いられている。 中心的な課題は、どの共変量の機能のバランスをとるべきかを決定することです。 Forest-kernelバランシングは、情報バランス機能を学ぶためのデータ駆動の方法を提供する。 既存の森林カーネルバランス法は、まず木に基づく表現を学習し、次に重みのバランスを構築する。 しかし、この手順は、既によく表現されている機能に限られた木容量が費やされるため、ミスマッチを引き起こします。 本研究では、現在のバランスウェイトを利用してその後の樹木構築をガイドするバランスガイド森林(BGF)を提案する。 BGFは、残差不均衡と結果コントラストを組み合わせた新しい分割スコアを使用して木を成長させ、不均衡が残る結果関連領域を分離する分割を好む。 これにより、下流のステップとしてバランシングを扱うのではなく、共変量バランシングによる表現学習が結合される。 繰り返し構成を重み付け誤差と因果バイアスに結びつけるオラクル型境界を確立する。 シミュレーションは、既存の森林カーネルアプローチと比較して因果推定の改善を示す。 実データ応用は、観測研究におけるBGFの実践的挙動を示す。

関連論文リスト

• Causal Graph Learning via Distributional Invariance of Cause-Effect Relationship [54.575090553659074]
  本研究では,観測変数数の2次複雑性と因果関係を効率的に発見するアルゴリズムを開発した。 大規模データセットの様々なベンチマークによる実験は、既存の研究よりも優れた、あるいは同等な性能を示している。
  論文  参考訳（メタデータ） (2026-02-03T10:26:16Z)
• Deep Time-series Forecasting Needs Kernelized Moment Balancing [56.619037429652984]
  深層時系列予測は、予測と地上の真実の分布を整合させることを目的とした分布バランス問題として定式化することができる。 我々は、カーネル化されたモーメントバランス(KMB-DF)による直接予測を提案する。 複数のモデルとデータセットにわたる実験により、KMB-DFは予測精度を一貫して改善し、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-31T13:20:18Z)
• LILI clustering algorithm: Limit Inferior Leaf Interval Integrated into Causal Forest for Causal Interference [1.4875602190483512]
  因果林法は因果推論において強力なツールである。 本稿では,LILI(Limit Inferior Leaf Interval)クラスタリングアルゴリズムを用いて,因果木間の接続を確立する手法を提案する。
  論文  参考訳（メタデータ） (2025-07-04T03:04:00Z)
• Rethinking the Bias of Foundation Model under Long-tailed Distribution [18.80942166783087]
  本稿では,事前学習による不均衡が長時間の下流作業にどのように影響するかを検討する。 下流タスクの基盤モデルで継承される不均衡バイアスはパラメータ不均衡とデータ不均衡である。 本稿では,入力サンプルとラベル間の真の因果関係を学習する新しいバックドア調整手法を提案する。
  論文  参考訳（メタデータ） (2025-01-27T11:00:19Z)
• Why do Random Forests Work? Understanding Tree Ensembles as Self-Regularizing Adaptive Smoothers [68.76846801719095]
  統計学で広く普及している偏りと分散還元に対する現在の高次二分法は、木のアンサンブルを理解するには不十分である、と我々は主張する。 森林は、通常暗黙的に絡み合っている3つの異なるメカニズムによって、樹木を改良できることを示す。
  論文  参考訳（メタデータ） (2024-02-02T15:36:43Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Large Scale Prediction with Decision Trees [9.917147243076645]
  本稿では,分類・回帰木(CART)とC4.5手法を用いて構築した決定木が,回帰・分類タスクに一貫性があることを示す。 この分析における重要なステップは、不平等の確立であり、不特定モデルの適合性と複雑性のトレードオフを正確に評価することができる。
  論文  参考訳（メタデータ） (2021-04-28T16:59:03Z)
• Sparse Bayesian Causal Forests for Heterogeneous Treatment Effects Estimation [0.0]
  本稿では,ベイジアン因果樹林のスパース性誘導型を考案する。 観察データを用いて不均一な治療効果を推定する。
  論文  参考訳（メタデータ） (2021-02-12T15:24:50Z)
• 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)
• Counterfactual Representation Learning with Balancing Weights [74.67296491574318]
  観察データによる因果推論の鍵は、それぞれの治療タイプに関連する予測的特徴のバランスを達成することである。 近年の文献では、この目標を達成するために表現学習を探求している。 因果効果を柔軟かつスケーラブルかつ正確に推定するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-23T19:06:03Z)

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。