論文の概要: MediPFN: Amortized In-Context Nuisance Learning and Inference for Causal Mediation Analysis
- arxiv url: http://arxiv.org/abs/2611.13219v2
- Date: Wed, 11 Nov 2026 04:49:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.897445
- Title: MediPFN: Amortized In-Context Nuisance Learning and Inference for Causal Mediation Analysis
- Title(参考訳): MediPFN: 因果治療分析のための記憶型インコンテキストニュアンス学習と推論
- Abstract要約: 因果媒介分析は、治療効果をメディエーターおよび他のプロセスの直接経路を介して間接経路に分解する。
そこで我々は,ニュアンス予測に事前学習した基礎モデルを適応させる,償却推論フレームワークであるMediPFNを紹介した。
別個のヘッドは、推定器の標準化された誤差の量子化を、既知の間接効果を持つシミュレーションテーブルから学習する。
- 参考スコア(独自算出の注目度): 2.8747065940372223
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal mediation analysis decomposes a treatment effect into indirect pathways through mediators and direct pathways through other processes. Tabular foundation models perform classification and regression through in-context learning, providing estimates of conditional means and propensity scores used in causal mediation analysis. Constructing confidence intervals from these estimates requires accounting for uncertainty introduced by fitting and combining several nuisance functions. We introduce MediPFN, an amortized inference framework that adapts a pretrained tabular foundation model to nuisance prediction and combines its predictions through a cross-fitted influence-function estimator. A separate head learns quantiles of the estimator's standardized error from simulated tables with known indirect effects. Supervised fine-tuning, symmetrization, and independent calibration then produce a confidence interval. We establish coverage bounds for the resulting intervals under standard assumptions. Across experiments, MediPFN attains coverage closer to the nominal level than several comparators. It also reduces the computational cost of uncertainty quantification, running 59.1 times faster than bootstrap in matched comparisons.
- Abstract(参考訳): 因果媒介分析は、治療効果をメディエーターおよび他のプロセスの直接経路を介して間接経路に分解する。
タブラル基礎モデルは、文脈内学習を通じて分類と回帰を行い、因果媒介分析に使用される条件付き平均値と正当性スコアを推定する。
これらの推定値から信頼区間を構築するには、いくつかのニュアンス関数の適合と結合によって生じる不確実性を考慮する必要がある。
筆者らは,事前学習した表層基礎モデルをニュアンス予測に適応させ,その予測をクロスフィットした影響関数推定器を通じて組み合わせたアモータイズ推論フレームワークであるMediPFNを紹介した。
別個のヘッドは、推定器の標準化された誤差の量子化を、既知の間接効果を持つシミュレーションテーブルから学習する。
監督された微調整、対称性、独立キャリブレーションにより、信頼区間が生成される。
標準仮定の下で得られた区間のカバレッジ境界を確立する。
実験全体で、MedicPFNはいくつかのコンパレータよりも名目レベルに近い範囲でカバーできる。
また、一致した比較においてブートストラップの59.1倍の速度で、不確実性定量化の計算コストを削減する。
関連論文リスト
- Does Predictive Performance Translate to Causal Performance? Evaluating tabular foundation models as nuisance learners for causal effect estimation [13.624762571325414]
先行データ付きネットワーク(PFN)に基づくタブラル基礎モデルでは,高い予測性能が得られたが,因果推論に対する価値は明らかになっていない。
本研究では,文脈内学習によって予測されるPFNが,従来のニュアンス学習者と一致するか,あるいは優れているかを,正確な因果推定を支援するために評価した。
論文 参考訳(メタデータ) (2026-11-08T13:41:41Z) - TabCUQ: Context-Uncertainty Quantification for Tabular Foundation Models [3.4854044762965835]
本稿では、観測結果にノイズを注入する摂動に基づくフレームワークTabCUQを紹介し、その基礎モデルを摂動文脈に適用する。
シミュレーションでは、TabCUQは範囲を大幅に改善し、平均間隔幅はオラクルバイアス対応ベンチマークの約2倍である。
論文 参考訳(メタデータ) (2026-10-29T07:58:20Z) - Small area learning [0.815557531820863]
小さい領域推定(SAE)は、伝統的に特定の作業モデルを通じて、ドメイン間での強度を借りる。
本研究では,SAEを多目的半教師付き学習問題として定式化する学習者に依存しないフレームワークを提案する。
低複雑さで柔軟な学習者のための標準およびクロスフィットな推定器を開発した。
論文 参考訳(メタデータ) (2026-10-11T22:21:41Z) - Calibrated Inference for the Conditional Average Treatment Effect in the Few-Placebo Regime via Gaussian Processes [0.0]
片方の治療用アームが他方よりもはるかに小さい,少数のプラセボ系について検討した。
それらは、その名目レベルよりも、真の効果をほとんど含まない。
本稿では,各アームの結果面をガウス過程でモデル化するGP-CATEを提案する。
論文 参考訳(メタデータ) (2026-05-26T11:18:42Z) - Optimal Debiased Inference on Privatized Data via Indirect Estimation and Parametric Bootstrap [12.65121513620053]
民営化されたデータに対する既存のパラメトリックブートストラップの使用は、クランプの効果を無視したり回避したりしていた。
本稿では,パラメータ値を連続的に推定するために間接推論手法を提案する。
本フレームワークは,信頼区間をよく校正したカバレッジで生成し,正しいI型誤差で仮説テストを行う。
論文 参考訳(メタデータ) (2025-07-14T19:12:16Z) - In-Context Parametric Inference: Point or Distribution Estimators? [66.22308335324239]
償却点推定器は一般に後部推論より優れているが、後者は低次元問題では競争力がある。
実験の結果, 償却点推定器は一般に後部推定より優れているが, 後者は低次元問題では競争力があることがわかった。
論文 参考訳(メタデータ) (2025-02-17T10:00:24Z) - Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
時系列における不確実性定量化の問題を相関配列を利用して解決する。
共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。
我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
論文 参考訳(メタデータ) (2025-02-13T16:12:17Z) - Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳(メタデータ) (2025-02-11T19:24:09Z) - Semiparametric conformal prediction [79.6147286161434]
ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。
スコアの累積分布関数(CDF)を柔軟に推定する。
提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
論文 参考訳(メタデータ) (2024-11-04T14:29:02Z) - Neighborhood Adaptive Estimators for Causal Inference under Network Interference [109.17155002599978]
ネットワークに接続された単位による古典的非干渉仮定の違反について考察する。
トラクタビリティでは、干渉がどのように広がるかを記述する既知のネットワークを考える。
論文 参考訳(メタデータ) (2022-12-07T14:53:47Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳(メタデータ) (2020-04-21T23:09:55Z)
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。