論文の概要: MALTS: Matching After Learning to Stretch

• arxiv url: http://arxiv.org/abs/1811.07415v9
• Date: Thu, 8 Jun 2023 00:10:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-10 00:21:16.209413
• Title: MALTS: Matching After Learning to Stretch
• Title（参考訳）: MALTS: ストレッチを学ぶとマッチする
• Authors: Harsh Parikh, Cynthia Rudin, Alexander Volfovsky
• Abstract要約: 我々はマッチングのための解釈可能な距離メートル法を学習し、それによってかなり高い品質のマッチングが得られる。 フレキシブルな距離測定を学習する能力は、解釈可能で、条件付き平均治療効果の推定に有用である。
• 参考スコア（独自算出の注目度）: 86.84454964051014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a flexible framework that produces high-quality almost-exact matches for causal inference. Most prior work in matching uses ad-hoc distance metrics, often leading to poor quality matches, particularly when there are irrelevant covariates. In this work, we learn an interpretable distance metric for matching, which leads to substantially higher quality matches. The learned distance metric stretches the covariate space according to each covariate's contribution to outcome prediction: this stretching means that mismatches on important covariates carry a larger penalty than mismatches on irrelevant covariates. Our ability to learn flexible distance metrics leads to matches that are interpretable and useful for the estimation of conditional average treatment effects.
• Abstract（参考訳）: 因果推論のための高品質な近似マッチングを生成するフレキシブルなフレームワークを提案する。 マッチングのほとんどの先行作業では、アドホックな距離メトリクスを使用しており、特に無関係な共変量が存在する場合、品質の一致が低くなることが多い。 本研究ではマッチングのための解釈可能な距離メートル法を学習し,より高品質なマッチングを実現する。 学習された距離計量は、結果予測に対する各共変量の貢献に従って共変量空間を拡張する: この延長は、重要な共変量に対するミスマッチが無関係な共変量に対するミスマッチよりも大きなペナルティをもたらすことを意味する。 柔軟な距離メトリクスを学習する能力は、条件付き平均治療効果の推定に、解釈可能で有用なマッチングにつながります。

関連論文リスト

• HomoMatcher: Dense Feature Matching Results with Semi-Dense Efficiency by Homography Estimation [39.48940223810725]
  画像ペア間の特徴マッチングは、SLAMのような多くのアプリケーションを駆動するコンピュータビジョンの基本的な問題である。 本稿では,セミセンスマッチングフレームワークにおけるファインマッチングモジュールの強化に焦点をあてる。 我々は、粗いマッチングから得られたパッチ間の視点マッピングを生成するために、軽量で効率的なホモグラフィ推定ネットワークを用いる。
  論文  参考訳（メタデータ） (2024-11-11T04:05:12Z)
• Semiparametric conformal prediction [79.6147286161434]
  リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。 スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。 実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Unsupervised Dense Retrieval with Relevance-Aware Contrastive Pre-Training [81.3781338418574]
  関連性を考慮したコントラスト学習を提案する。 我々は、BEIRおよびオープンドメインQA検索ベンチマークにおいて、SOTAアン教師なしコントリバーモデルを一貫して改善する。 本手法は, 目標コーパスの事前訓練後, BM25に打ち勝つだけでなく, 優れた数発学習者として機能する。
  論文  参考訳（メタデータ） (2023-06-05T18:20:27Z)
• Understanding and Mitigating Spurious Correlations in Text Classification with Neighborhood Analysis [69.07674653828565]
  機械学習モデルは、トレーニングセットに存在するが一般的な状況では当てはまらない急激な相関を利用する傾向にある。 本稿では, 周辺分析と呼ばれる新しい視点から, 突発的相関がもたらす意味について考察する。 本稿では,テキスト分類における素早い相関を緩和する正規化手法であるNFL(doN't Forget your Language)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T03:55:50Z)
• A Probabilistic Transformation of Distance-Based Outliers [2.1055643409860743]
  距離に基づくアウトリーチスコアから解釈可能な確率的推定への総称変換について述べる。 この変換はランキング安定であり、通常のデータポイントと外れ値のデータポイントのコントラストを増加させる。 本研究は,広範囲な距離ベース外乱検出手法に一般化する。
  論文  参考訳（メタデータ） (2023-05-16T14:05:30Z)
• Neural Score Matching for High-Dimensional Causal Inference [5.696039065328919]
  ニューラルネットワークを用いて選択された粗いレベルの非自明なバランススコアを得る理論的結果を開発した。 本手法は, 半合成高次元データセットにおける他のマッチング手法と競合することを示す。
  論文  参考訳（メタデータ） (2022-03-01T15:36:12Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• dame-flame: A Python Library Providing Fast Interpretable Matching for Causal Inference [41.065018571282465]
  dame-flameは、観察因果推論のマッチングを実行するPythonパッケージである。 DAME(Dynamic Near Matching Exactly)アルゴリズムとFLAME(Fast Large-Scale Near Matching Exactly)アルゴリズムを実装している。
  論文  参考訳（メタデータ） (2021-01-06T04:38:57Z)
• A Formally Robust Time Series Distance Metric [6.929025509877642]
  本稿では、任意に「悪」な汚染に対して頑健な新しい距離測定法を提案する。 実験により,k-Nearest Neighbor 時系列分類に適用した場合,測定値が競合分類精度を示すことを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:28:50Z)
• Towards Certified Robustness of Distance Metric Learning [53.96113074344632]
  我々は,距離学習アルゴリズムの一般化とロバスト性を改善するために,入力空間に逆のマージンを付与することを提唱する。 アルゴリズム的ロバスト性の理論手法を用いることにより,拡張マージンは一般化能力に有益であることを示す。
  論文  参考訳（メタデータ） (2020-06-10T16:51:53Z)

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。