論文の概要: Estimating the Effects of Continuous-valued Interventions using
Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2002.12326v2
- Date: Sun, 22 Nov 2020 20:17:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 07:47:21.370593
- Title: Estimating the Effects of Continuous-valued Interventions using
Generative Adversarial Networks
- Title(参考訳): ジェネレーティブ・ディバイサル・ネットワークを用いた連続的評価介入の効果の推定
- Authors: Ioana Bica, James Jordon, Mihaela van der Schaar
- Abstract要約: 我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。
我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。
継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
- 参考スコア(独自算出の注目度): 103.14809802212535
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While much attention has been given to the problem of estimating the effect
of discrete interventions from observational data, relatively little work has
been done in the setting of continuous-valued interventions, such as treatments
associated with a dosage parameter. In this paper, we tackle this problem by
building on a modification of the generative adversarial networks (GANs)
framework. Our model, SCIGAN, is flexible and capable of simultaneously
estimating counterfactual outcomes for several different continuous
interventions. The key idea is to use a significantly modified GAN model to
learn to generate counterfactual outcomes, which can then be used to learn an
inference model, using standard supervised methods, capable of estimating these
counterfactuals for a new sample. To address the challenges presented by
shifting to continuous interventions, we propose a novel architecture for our
discriminator - we build a hierarchical discriminator that leverages the
structure of the continuous intervention setting. Moreover, we provide
theoretical results to support our use of the GAN framework and of the
hierarchical discriminator. In the experiments section, we introduce a new
semi-synthetic data simulation for use in the continuous intervention setting
and demonstrate improvements over the existing benchmark models.
- Abstract(参考訳): 観察データから離散的介入の効果を推定する問題に多くの注意が払われているが、服用パラメータに関連する治療などの連続的介入の設定において、比較的少ない作業がなされている。
本稿では,gans(generative adversarial networks)フレームワークの修正により,この問題に取り組む。
我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。
鍵となるアイデアは、大幅に修正されたGANモデルを使用して、反ファクト結果の生成を学習し、次に標準教師付き手法を用いて推論モデルを学ぶために使用し、新しいサンプルに対してこれらの反ファクト結果を予測することである。
継続的介入に移行することでもたらされる課題に対処するために、私たちは差別者のための新しいアーキテクチャを提案します。
さらに、GANフレームワークと階層型識別器の使用を支援する理論的結果を提供する。
実験部では,連続介入設定に使用する半合成データシミュレーションを新たに導入し,既存のベンチマークモデルに対する改善を実証する。
関連論文リスト
- 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) - Consistent Explanations in the Face of Model Indeterminacy via
Ensembling [12.661530681518899]
この研究は、モデル不確定性の存在下で予測モデルに対して一貫した説明を提供することの課題に対処する。
これらのシナリオで提供される説明の一貫性を高めるためのアンサンブル手法を導入する。
本研究は,説明文の解釈において,モデル不確定性を考慮することの重要性を強調した。
論文 参考訳(メタデータ) (2023-06-09T18:45:43Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳(メタデータ) (2023-06-09T08:30:51Z) - A Closer Look at the Intervention Procedure of Concept Bottleneck Models [18.222350428973343]
概念ボトルネックモデル(コンセプションボトルネックモデル、CBM)は、その高レベルな概念に基づいて与えられた入力のターゲット応答を予測する、解釈可能なニューラルネットワークモデルのクラスである。
CBMは、ドメインの専門家が予測された概念に介入し、テスト時に間違いを修正できるので、最後にもっと正確なタスク予測ができる。
本研究では,介入効果を向上させるために介入概念を選択する様々な方法を開発し,異なる状況下でどのように進化するかを詳細に分析する。
論文 参考訳(メタデータ) (2023-02-28T02:37:24Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳(メタデータ) (2022-06-16T17:15:15Z) - Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。
本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。
提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文 参考訳(メタデータ) (2021-11-15T03:16:56Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳(メタデータ) (2021-06-03T12:59:16Z) - Model updating after interventions paradoxically introduces bias [2.089458396525051]
最近の議論は、二進的な結果に対する予測スコアの更新における潜在的な問題を浮き彫りにした。
この設定では、既存のスコアは、元のスコアが置き換えられたときに誤校正につながる追加の因果経路を誘導する。
本稿では,この問題を記述・解決するための一般的な因果的枠組みを提案し,部分的に観察されたマルコフ決定過程として等価な定式化を実証する。
論文 参考訳(メタデータ) (2020-10-22T08:43:29Z) - Causal Modeling with Stochastic Confounders [11.881081802491183]
この作業は、共同設立者との因果推論を拡張します。
本稿では,ランダムな入力空間を持つ表現子定理に基づく因果推論のための変分推定手法を提案する。
論文 参考訳(メタデータ) (2020-04-24T00:34:44Z)
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。