論文の概要: The Counterfactual $\chi$-GAN
- arxiv url: http://arxiv.org/abs/2001.03115v2
- Date: Thu, 3 Dec 2020 14:14:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 04:32:05.608305
- Title: The Counterfactual $\chi$-GAN
- Title（参考訳）: 偽の$\chi$-gan
- Authors: Amelia J. Averitt, Natnicha Vanitchanant, Rajesh Ranganath, and Adler
J. Perotte
- Abstract要約: 因果推論は、しばしば、治療の割り当てが結果から独立していることを要求する反ファクト的枠組みに依存する。
本研究は,CGAN(Counterfactual $chi$-GAN)と呼ばれるGAN(Generative Adversarial Network)に基づくモデルを提案する。
- 参考スコア（独自算出の注目度）: 20.42556178617068
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal inference often relies on the counterfactual framework, which requires
that treatment assignment is independent of the outcome, known as strong
ignorability. Approaches to enforcing strong ignorability in causal analyses of
observational data include weighting and matching methods. Effect estimates,
such as the average treatment effect (ATE), are then estimated as expectations
under the reweighted or matched distribution, P . The choice of P is important
and can impact the interpretation of the effect estimate and the variance of
effect estimates. In this work, instead of specifying P, we learn a
distribution that simultaneously maximizes coverage and minimizes variance of
ATE estimates. In order to learn this distribution, this research proposes a
generative adversarial network (GAN)-based model called the Counterfactual
$\chi$-GAN (cGAN), which also learns feature-balancing weights and supports
unbiased causal estimation in the absence of unobserved confounding. Our model
minimizes the Pearson $\chi^2$ divergence, which we show simultaneously
maximizes coverage and minimizes the variance of importance sampling estimates.
To our knowledge, this is the first such application of the Pearson $\chi^2$
divergence. We demonstrate the effectiveness of cGAN in achieving feature
balance relative to established weighting methods in simulation and with
real-world medical data.
- Abstract（参考訳）: 因果推論は、しばしば反ファクト的枠組みに依存し、治療の割り当ては、強い無知(strong ignorability)として知られる結果とは独立である必要がある。
観測データの因果解析における強い無知化へのアプローチには、重み付けとマッチング方法が含まれる。
平均処理効果 (ATE) などの効果推定は, 再加重分布, 整合分布, Pの予測値として推定される。
p の選択は重要であり、効果推定の解釈と効果推定のばらつきに影響を与える可能性がある。
本研究では, P を指定せずに, 範囲を最大化し, ATE 推定値の分散を最小化する分布を学習する。
この分布を学習するために,本研究では,特徴バランスの重み付けも学習し,観測不能な条件下での因果推定を支援するCGAN(Counterfactual $\chi$-GAN)と呼ばれる,GANに基づく生成的敵ネットワーク(Generative Adversarial Network, GAN)モデルを提案する。
我々のモデルはPearson $\chi^2$分散を最小化し、同時にカバレッジを最大化し、重要サンプリング推定のばらつきを最小化する。
私たちの知る限り、これはピアソン$\chi^2$分散の最初の応用である。
シミュレーションおよび実世界の医療データを用いて, 確立された重み付け手法と比較して, 特徴バランス達成におけるcGANの有効性を示す。
関連論文リスト
- Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳（メタデータ） (2024-05-29T01:32:17Z) - On the Pitfalls of Heteroscedastic Uncertainty Estimation with
Probabilistic Neural Networks [23.502721524477444]
このアプローチがいかにして非常に貧弱だが安定な推定に繋がるかを示す合成例を示す。
問題を悪化させる特定の条件とともに、犯人をログライクな損失とみなす。
我々は、損失に対する各データポイントの寄与を、$beta$-exponentiated variance estimateによって重み付けする、$beta$-NLLと呼ばれる別の定式化を提案する。
論文 参考訳（メタデータ） (2022-03-17T08:46:17Z) - Covariate-Balancing-Aware Interpretable Deep Learning models for
Treatment Effect Estimation [15.465045049754336]
本稿では, 高い無知性仮定の下での平均処理推定値のバイアスの上限について提案する。
新たな付加型ニューラルネットワークアーキテクチャを活用することにより、目的関数としてこの上限を実装する。
提案手法は、因果推論のためのベンチマークデータセットを再検討し、最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-03-07T07:42:40Z) - Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。
本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。
自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
論文 参考訳（メタデータ） (2021-06-07T17:47:16Z) - Measuring Model Fairness under Noisy Covariates: A Theoretical
Perspective [26.704446184314506]
本研究では,雑音情報に基づく機械学習モデルの公平性の測定問題について検討する。
本稿では, 精度の高い公平性評価が可能な弱い条件を特徴付けることを目的とした理論的解析を行う。
論文 参考訳（メタデータ） (2021-05-20T18:36:28Z) - SLOE: A Faster Method for Statistical Inference in High-Dimensional
Logistic Regression [68.66245730450915]
実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。
私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
論文 参考訳（メタデータ） (2021-03-23T17:48:56Z) - Confounding Feature Acquisition for Causal Effect Estimation [6.174721516017138]
我々は,この課題を因果推論のための特徴獲得の問題として捉えている。
我々のゴールは、効率的な平均治療効果の推定につながるサンプルにおいて、行方不明の共同創業者の固定的で既知のサブセットの取得値を優先順位付けすることです。
論文 参考訳（メタデータ） (2020-11-17T16:28:43Z) - 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) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳（メタデータ） (2020-10-15T16:39:26Z) - GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。
我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。
結果として得られるアルゴリズム、GenDICEは単純で効果的である。
論文 参考訳（メタデータ） (2020-02-21T00:27:52Z)
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。