論文の概要: Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects
- arxiv url: http://arxiv.org/abs/2001.07426v3
- Date: Mon, 14 Feb 2022 12:30:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 23:36:16.519863
- Title: Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects
- Title(参考訳): ポテンシャル出力と因果効果の推定のための一般化境界と表現学習
- Authors: Fredrik D. Johansson, Uri Shalit, Nathan Kallus, David Sontag
- Abstract要約: 代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。
我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
- 参考スコア(独自算出の注目度): 61.03579766573421
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Practitioners in diverse fields such as healthcare, economics and education
are eager to apply machine learning to improve decision making. The cost and
impracticality of performing experiments and a recent monumental increase in
electronic record keeping has brought attention to the problem of evaluating
decisions based on non-experimental observational data. This is the setting of
this work. In particular, we study estimation of individual-level causal
effects, such as a single patient's response to alternative medication, from
recorded contexts, decisions and outcomes. We give generalization bounds on the
error in estimated effects based on distance measures between groups receiving
different treatments, allowing for sample re-weighting. We provide conditions
under which our bound is tight and show how it relates to results for
unsupervised domain adaptation. Led by our theoretical results, we devise
representation learning algorithms that minimize our bound, by regularizing the
representation's induced treatment group distance, and encourage sharing of
information between treatment groups. We extend these algorithms to
simultaneously learn a weighted representation to further reduce treatment
group distances. Finally, an experimental evaluation on real and synthetic data
shows the value of our proposed representation architecture and regularization
scheme.
- Abstract(参考訳): 医療、経済、教育といったさまざまな分野の実践者は、意思決定を改善するために機械学習を適用したいと考えている。
実験のコストと非実用性,そして近年の電子記録保持量の増加は,非実験的観測データに基づく意思決定の問題に注意を向けている。
これがこの作品の舞台である。
特に,患者ひとりの代替薬に対する反応などの個人レベルの因果効果を,記録された文脈,意思決定,結果から推定する。
異なる治療を受けるグループ間の距離尺度に基づく推定効果の誤差の一般化を行い,サンプルの再重み付けを可能にした。
境界が密接な条件を提供し、教師なしドメイン適応の結果とどのように関係しているかを示す。
理論的結果から,表現の誘導された治療群距離を正規化し,治療群間の情報の共有を促進することによって,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して重み付け表現を同時に学習し,治療群距離をさらに削減する。
最後に,実データおよび合成データの実験的評価により,提案する表現アーキテクチャと正規化スキームの価値を示す。
関連論文リスト
- Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
実際には、因果研究者は先験を念頭において1つの結果を持っていない。
政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。
本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
論文 参考訳(メタデータ) (2024-04-29T08:16:30Z) - Targeted Machine Learning for Average Causal Effect Estimation Using the
Front-Door Functional [3.0232957374216953]
結果に対する治療の平均因果効果(ACE)を評価することは、しばしば観察研究における要因の相違によって引き起こされる課題を克服することを伴う。
本稿では,目標最小損失推定理論に基づいて,正面基準の新たな推定手法を提案する。
本研究では,早期学業成績が今後の年収に与える影響を明らかにするために,これらの推定装置の適用性を示す。
論文 参考訳(メタデータ) (2023-12-15T22:04:53Z) - Causal Inference under Data Restrictions [0.0]
この論文は、不確実性とデータ制限の下での現代の因果推論に焦点を当てている。
これには、ネオアジュバント臨床試験、分散データネットワーク、堅牢な個別化意思決定へのアプリケーションが含まれる。
論文 参考訳(メタデータ) (2023-01-20T20:14:32Z) - Adversarial De-confounding in Individualised Treatment Effects
Estimation [7.443477084710185]
De-confoundingは、観察研究における個別化処理効果推定の根本的な問題である。
本稿では, ITE推定のための2値処理設定において, 共創者のバランスをとるために, 対角的訓練を伴う非交叉表現を提案する。
論文 参考訳(メタデータ) (2022-10-19T13:11:33Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳(メタデータ) (2022-06-16T17:59:05Z) - Generalization bounds and algorithms for estimating conditional average
treatment effect of dosage [13.867315751451494]
本研究では,治療薬対の条件付き平均因果効果を観測データと仮定の組み合わせで推定する作業について検討した。
これは疫学や経済学など、意思決定のために治療薬対を必要とする分野における長年にわたる課題である。
この問題に対するいくつかのベンチマークデータセットに対して、実証的に新しい最先端のパフォーマンス結果を示す。
論文 参考訳(メタデータ) (2022-05-29T15:26:59Z) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳(メタデータ) (2021-10-26T20:13:17Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳(メタデータ) (2020-06-14T01:15:00Z) - Learning Decomposed Representation for Counterfactual Inference [53.36586760485262]
観察データから治療効果を推定する際の根本的な問題は、共同設立者の識別とバランスである。
これまでの方法の多くは、観察されたすべての事前処理変数を共同創設者として扱い、共同創設者と非共同創設者の識別をさらに無視することで、共同ファウンダーのバランスを実現していた。
本研究では,1)共同創設者と非共同創設者の両方の表現を学習することで共同創設者を同定し,2)再重み付け手法のバランスをとるとともに,同時に,反実的推論による観察研究における治療効果を推定する相乗的学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-12T09:50:42Z)
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。