論文の概要: A Survey on Causal Inference

• arxiv url: http://arxiv.org/abs/2002.02770v1
• Date: Wed, 5 Feb 2020 21:35:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 20:43:12.921651
• Title: A Survey on Causal Inference
• Title（参考訳）: 因果推論に関する調査
• Authors: Liuyi Yao, Zhixuan Chu, Sheng Li, Yaliang Li, Jing Gao, Aidong Zhang
• Abstract要約: 因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。 観測データに対する様々な因果効果推定法が誕生した。
• 参考スコア（独自算出の注目度）: 64.45536158710014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal inference is a critical research topic across many domains, such as statistics, computer science, education, public policy and economics, for decades. Nowadays, estimating causal effect from observational data has become an appealing research direction owing to the large amount of available data and low budget requirement, compared with randomized controlled trials. Embraced with the rapidly developed machine learning area, various causal effect estimation methods for observational data have sprung up. In this survey, we provide a comprehensive review of causal inference methods under the potential outcome framework, one of the well known causal inference framework. The methods are divided into two categories depending on whether they require all three assumptions of the potential outcome framework or not. For each category, both the traditional statistical methods and the recent machine learning enhanced methods are discussed and compared. The plausible applications of these methods are also presented, including the applications in advertising, recommendation, medicine and so on. Moreover, the commonly used benchmark datasets as well as the open-source codes are also summarized, which facilitate researchers and practitioners to explore, evaluate and apply the causal inference methods.
• Abstract（参考訳）: 因果推論は、統計学、計算機科学、教育、公共政策、経済学など、何十年もの間、多くの分野にわたる重要な研究テーマである。 近年, 観測データから因果効果を推定する手法が, ランダム化試験と比較して, 大量のデータと低予算要求により, 魅力的な研究方向となっている。 急速に発達した機械学習領域を取り入れた観測データに対する様々な因果効果推定手法が誕生した。 本稿では,既知の因果推論フレームワークの1つである潜在的帰結フレームワークに基づいて,因果推論手法の包括的レビューを行う。 メソッドは、潜在的な結果フレームワークの3つの仮定すべてを必要とするかどうかによって、2つのカテゴリに分けられる。 各カテゴリについて,従来の統計手法と最近の機械学習強化手法を比較し,比較した。 広告、レコメンデーション、医療などの応用を含む、これらの方法の正当な応用も提示されている。 さらに、一般的に使用されるベンチマークデータセットとオープンソースコードも要約されており、研究者や実践者が因果推論メソッドを探索し、評価し、適用することができる。

関連論文リスト

• Bayesian Intervention Optimization for Causal Discovery [23.51328013481865]
  因果発見は複雑なシステムを理解し、決定を下すのに不可欠である。 ベイジアンやグラフ理論的なアプローチのような現在の手法は意思決定を優先しない。 ベイズ因子に着想を得た新しいベイズ最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-06-16T12:45:44Z)
• Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation [137.3520153445413]
  下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。 我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。 研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
  論文  参考訳（メタデータ） (2023-07-11T02:58:10Z)
• A Survey on Causal Discovery Methods for I.I.D. and Time Series Data [4.57769506869942]
  因果発見(CD)アルゴリズムは、関連する観測データからシステムの変数間の因果関係を識別することができる。 本稿では、独立および同一分散データ(I.I.D.)データと時系列データの両方から因果発見を行うために設計された手法について広範な議論を行う。
  論文  参考訳（メタデータ） (2023-03-27T09:21:41Z)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)
• Valid Inference After Causal Discovery [73.87055989355737]
  我々は、因果関係発見後の推論に有効なツールを開発する。 因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-08-11T17:40:45Z)
• Evaluating Causal Inference Methods [0.4588028371034407]
  我々は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入する。 我々の研究は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入している。
  論文  参考訳（メタデータ） (2022-02-09T00:21:22Z)
• Through the Data Management Lens: Experimental Analysis and Evaluation of Fair Classification [75.49600684537117]
  データ管理研究は、データとアルゴリズムの公平性に関連するトピックに対する存在感と関心が高まっている。 我々は,その正しさ,公平性,効率性,スケーラビリティ,安定性よりも,13の公正な分類アプローチと追加の変種を幅広く分析している。 我々の分析は、異なるメトリクスとハイレベルなアプローチ特性がパフォーマンスの異なる側面に与える影響に関する新しい洞察を強調します。
  論文  参考訳（メタデータ） (2021-01-18T22:55:40Z)
• Estimating Individual Treatment Effects using Non-Parametric Regression Models: a Review [0.0]
  本稿では、観測データや非完全ランダム化データを用いて因果推論を行う際の設定と課題を紹介する。 我々は、個々の治療効果を推定できる既存の最先端フレームワークの統一分類法を開発する。 本研究は,学校給食プログラムデータの実証分析に,いくつかの方法を用いることで,結論を導いた。
  論文  参考訳（メタデータ） (2020-09-14T14:26:55Z)
• Marginal likelihood computation for model selection and hypothesis testing: an extensive review [66.37504201165159]
  この記事では、このトピックの最先端に関する総合的な研究について紹介する。 さまざまなテクニックの制限、メリット、コネクション、差異を強調します。 また、不適切な事前利用の問題や解決法についても述べる。
  論文  参考訳（メタデータ） (2020-05-17T18:31:58Z)

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。