論文の概要: Towards unique and unbiased causal effect estimation from data with
hidden variables
- arxiv url: http://arxiv.org/abs/2002.10091v2
- Date: Sat, 7 Nov 2020 23:28:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 04:24:27.072045
- Title: Towards unique and unbiased causal effect estimation from data with
hidden variables
- Title(参考訳): 隠れ変数データからの一意かつ偏りのない因果効果推定へ向けて
- Authors: Debo Cheng (1), Jiuyong Li (1), Lin Liu (1), Kui Yu (2), Thuc Duy Lee
(1), Jixue Liu (1) ((1) School of Information Technology and Mathematical
Sciences, University of South Australia (2) School of Computer Science and
Information Engineering, Hefei University of Technology)
- Abstract要約: 観測データから因果効果を推定することは重要であるが、難しい課題である。
本研究では,隠れ変数を持つデータから因果効果のユニークかつ偏りのない推定を行う手法を提案する。
定理に基づいて、隠れ変数を持つデータから適切な調整セットを見つけるための2つのアルゴリズムが提案されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal effect estimation from observational data is a crucial but challenging
task. Currently, only a limited number of data-driven causal effect estimation
methods are available. These methods either provide only a bound estimation of
the causal effect of a treatment on the outcome, or generate a unique
estimation of the causal effect, but making strong assumptions on data and
having low efficiency. In this paper, we identify a practical problem setting
and propose an approach to achieving unique and unbiased estimation of causal
effects from data with hidden variables. For the approach, we have developed
the theorems to support the discovery of the proper covariate sets for
confounding adjustment (adjustment sets). Based on the theorems, two algorithms
are proposed for finding the proper adjustment sets from data with hidden
variables to obtain unbiased and unique causal effect estimation. Experiments
with synthetic datasets generated using five benchmark Bayesian networks and
four real-world datasets have demonstrated the efficiency and effectiveness of
the proposed algorithms, indicating the practicability of the identified
problem setting and the potential of the proposed approach in real-world
applications.
- Abstract(参考訳): 観測データからの因果効果推定は不可欠だが難しい課題である。
現在、限られた数のデータ駆動因果効果推定方法しか利用できない。
これらの方法は、結果に対する処理の因果効果の有界推定のみを提供するか、因果効果の独特な推定を生成するが、データに対して強い仮定をし、効率を低くする。
本稿では,実際的な問題の設定を特定し,隠れた変数を持つデータから因果効果を一意かつ偏りなく推定する手法を提案する。
このアプローチのために,調整(調整集合)を組み込むための適切な共変量集合の発見を支援するための定理を開発した。
この定理に基づき,隠れ変数を持つデータから適切な調整集合を見つけ,偏りのない一意な因果効果推定を得るための2つのアルゴリズムが提案されている。
5つのベンチマークベイズネットワークと4つの実世界のデータセットを用いて生成された合成データセットを用いた実験は、提案アルゴリズムの効率性と有効性を実証し、特定された問題設定の実用性と実世界応用における提案手法の可能性を示した。
関連論文リスト
- Assumption-Lean Post-Integrated Inference with Negative Control Outcomes [0.0]
負の制御結果を用いて遅延不均一性を調整する頑健なポストインテグレート推論(PII)手法を提案する。
提案手法は,予測された直接効果推定値,隠された仲介者,共同設立者,モデレーターまで拡張する。
提案された二重頑健な推定器は、最小の仮定と潜在的な不特定性の下で一貫性があり、効率的である。
論文 参考訳(メタデータ) (2024-10-07T12:52:38Z) - Efficient adjustment for complex covariates: Gaining efficiency with
DOPE [56.537164957672715]
共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。
理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。
その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
論文 参考訳(メタデータ) (2024-02-20T13:02:51Z) - Integrating Active Learning in Causal Inference with Interference: A
Novel Approach in Online Experiments [5.488412825534217]
ACI(Causal Inference with Interference)におけるアクティブラーニング手法について紹介する。
ACIはガウス過程を用いて、隣人の治療課題の連続的な測定の関数として直接的および余分な処理効果を柔軟にモデル化する。
データ要求の低減による精度の高い効果推定の実現可能性を示す。
論文 参考訳(メタデータ) (2024-02-20T04:13:59Z) - 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) - Systematic Evaluation of Predictive Fairness [60.0947291284978]
バイアス付きデータセットのトレーニングにおけるバイアスの緩和は、重要なオープンな問題である。
複数のタスクにまたがる様々なデバイアス化手法の性能について検討する。
データ条件が相対モデルの性能に強い影響を与えることがわかった。
論文 参考訳(メタデータ) (2022-10-17T05:40:13Z) - 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) - Doing Great at Estimating CATE? On the Neglected Assumptions in
Benchmark Comparisons of Treatment Effect Estimators [91.3755431537592]
もっとも単純な設定であっても、無知性仮定に基づく推定は誤解を招く可能性があることを示す。
異種処理効果評価のための機械学習ベンチマークデータセットを2つ検討した。
ベンチマークデータセットの固有の特性が、他のものよりもいくつかのアルゴリズムを好んでいる点を強調します。
論文 参考訳(メタデータ) (2021-07-28T13:21:27Z) - 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) - Learning Joint Nonlinear Effects from Single-variable Interventions in
the Presence of Hidden Confounders [9.196779204457059]
隠れた共同設立者の存在下での複数同時介入の効果を推定する手法を提案する。
非線形連続構造因果モデルからデータが生成されるという仮定の下で、同定可能性を証明する。
また,本研究の総合的な実験により,同定可能性の検証や,合成データと実世界データの両方のベースラインに対するアプローチの性能の比較を行う。
論文 参考訳(メタデータ) (2020-05-23T12:52:09Z) - Decomposed Adversarial Learned Inference [118.27187231452852]
我々は,DALI(Decomposed Adversarial Learned Inference)という新しいアプローチを提案する。
DALIは、データ空間とコード空間の両方の事前および条件分布を明示的に一致させる。
MNIST, CIFAR-10, CelebAデータセットにおけるDALIの有効性を検証する。
論文 参考訳(メタデータ) (2020-04-21T20:00:35Z) - Causal query in observational data with hidden variables [0.0]
本研究では、局所探索を用いて、観測データから因果効果を推定するための調整変数のスーパーセットを求める定理を開発する。
開発した定理に基づいて,因果クエリのためのデータ駆動型アルゴリズムを提案する。
実験により,提案アルゴリズムは隠れ変数を持つ既存のデータ駆動因果効果推定法よりも高速で,因果効果を推定できることがわかった。
論文 参考訳(メタデータ) (2020-01-28T11:23:26Z)
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。