論文の概要: Causality and Robust Optimization

• arxiv url: http://arxiv.org/abs/2002.12626v1
• Date: Fri, 28 Feb 2020 10:02:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 01:27:38.194288
• Title: Causality and Robust Optimization
• Title（参考訳）: 因果性とロバスト最適化
• Authors: Akihiro Yabe
• Abstract要約: 機械学習の予測を適用する場合、共起バイアスが問題となる。 本稿では,既存の特徴選択アルゴリズムを共起バイアスの観点から緩和するメタアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 2.690502103971798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A decision-maker must consider cofounding bias when attempting to apply machine learning prediction, and, while feature selection is widely recognized as important process in data-analysis, it could cause cofounding bias. A causal Bayesian network is a standard tool for describing causal relationships, and if relationships are known, then adjustment criteria can determine with which features cofounding bias disappears. A standard modification would thus utilize causal discovery algorithms for preventing cofounding bias in feature selection. Causal discovery algorithms, however, essentially rely on the faithfulness assumption, which turn out to be easily violated in practical feature selection settings. In this paper, we propose a meta-algorithm that can remedy existing feature selection algorithms in terms of cofounding bias. Our algorithm is induced from a novel adjustment criterion that requires rather than faithfulness, an assumption which can be induced from another well-known assumption of the causal sufficiency. We further prove that the features added through our modification convert cofounding bias into prediction variance. With the aid of existing robust optimization technologies that regularize risky strategies with high variance, then, we are able to successfully improve the throughput performance of decision-making optimization, as is shown in our experimental results.
• Abstract（参考訳）: 意思決定者は機械学習の予測を適用しようとするとき、コファウンディングバイアスを考慮する必要があり、特徴の選択はデータ分析において重要なプロセスとして広く認識されているが、コファウンディングバイアスを引き起こす可能性がある。 因果ベイズネットワークは因果関係を記述するための標準的なツールであり、関係が分かっている場合、どの特徴が共起バイアスを消滅させるかを調整基準で決定することができる。 標準修正は、特徴選択におけるバイアスの共起を防止するために因果発見アルゴリズムを使用する。 しかし因果発見アルゴリズムは基本的には忠実性の仮定に依存しており、実際的な特徴選択設定では容易に違反することが判明した。 本稿では,既存の特徴選択アルゴリズムを共起バイアスの観点で修正可能なメタアルゴリズムを提案する。 本アルゴリズムは, 因果正当性という別のよく知られた仮定から導出できる仮定である, 忠実性よりも要求される新しい調整基準から導出される。 さらに、修正によって追加された特徴が共起バイアスを予測分散に変換することを証明した。 リスクの高い戦略を高分散で調整する既存のロバストな最適化技術によって、我々は意思決定最適化のスループット性能を、実験結果に示すように向上させることができる。

関連論文リスト

• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• Bayesian Optimization with Conformal Prediction Sets [44.565812181545645]
  コンフォーマル予測(Conformal prediction)は、不確実な定量化手法であり、不特定モデルに対してもカバレッジを保証する。 本稿では,モデルの妥当性が保証された検索空間の領域にクエリを誘導する共形ベイズ最適化を提案する。 多くの場合、クエリのカバレッジはサンプル効率を損なうことなく大幅に改善できる。
  論文  参考訳（メタデータ） (2022-10-22T17:01:05Z)
• Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
  統計的決定論の研究からシャノンエントロピーの一般化を考える。 まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。 次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
  論文  参考訳（メタデータ） (2022-10-04T04:43:58Z)
• Calibrated Selective Classification [34.08454890436067]
  そこで我々は,「不確か」な不確実性のある例を拒否する手法を提案する。 本稿では,選択的校正モデル学習のためのフレームワークを提案する。そこでは,任意のベースモデルの選択的校正誤差を改善するために,個別のセレクタネットワークを訓練する。 われわれは,複数画像分類と肺癌リスク評価におけるアプローチの実証的効果を実証した。
  論文  参考訳（メタデータ） (2022-08-25T13:31:09Z)
• Bounding Counterfactuals under Selection Bias [60.55840896782637]
  本稿では,識別不能なクエリと識別不能なクエリの両方に対処するアルゴリズムを提案する。 選択バイアスによって引き起こされる欠如にもかかわらず、利用可能なデータの可能性は無限であることを示す。
  論文  参考訳（メタデータ） (2022-07-26T10:33:10Z)
• Efficient and Differentiable Conformal Prediction with General Function Classes [96.74055810115456]
  本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。 本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。 実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2022-02-22T18:37:23Z)
• Post-hoc loss-calibration for Bayesian neural networks [25.05373000435213]
  本研究では, 近似的後続予測分布の補正手法を開発し, 高ユーティリティな意思決定を推奨する。 従来の研究とは対照的に、我々のアプローチは近似推論アルゴリズムの選択に非依存である。
  論文  参考訳（メタデータ） (2021-06-13T13:53:27Z)
• Learning Probabilistic Ordinal Embeddings for Uncertainty-Aware Regression [91.3373131262391]
  不確かさが唯一の確実性である。 伝統的に、直接回帰定式化を考慮し、ある確率分布の族に出力空間を変更することによって不確実性をモデル化する。 現在のレグレッション技術における不確実性をモデル化する方法は、未解決の問題である。
  論文  参考訳（メタデータ） (2021-03-25T06:56:09Z)

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。