Fugu-MT 論文翻訳(概要): ParKCa: Causal Inference with Partially Known Causes

論文の概要: ParKCa: Causal Inference with Partially Known Causes

arxiv url: http://arxiv.org/abs/2003.07952v4
Date: Wed, 11 Nov 2020 22:13:54 GMT
ステータス: 処理完了
システム内更新日: 2022-12-22 20:53:22.169782
Title: ParKCa: Causal Inference with Partially Known Causes
Title（参考訳）: ParKCa: 原因を部分的に把握した因果推論
Authors: Raquel Aoki and Martin Ester
Abstract要約: 提案手法は,いくつかの因果推論手法と,いくつかの既知の原因および潜在的な原因を含むアプリケーションにおける新たな原因を学習するための組み合わせである。以上の結果から,ParKCAは既存の方法よりも多くの原因を推測できることがわかった。
参考スコア（独自算出の注目度）: 7.1894784995284144
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Methods for causal inference from observational data are an alternative for scenarios where collecting counterfactual data or realizing a randomized experiment is not possible. Adopting a stacking approach, our proposed method ParKCA combines the results of several causal inference methods to learn new causes in applications with some known causes and many potential causes. We validate ParKCA in two Genome-wide association studies, one real-world and one simulated dataset. Our results show that ParKCA can infer more causes than existing methods.
Abstract（参考訳）: 観測データから因果推論を行う方法は、偽データ収集やランダム化実験の実現が不可能であるシナリオの代替となる。提案手法では,複数の因果推論手法の結果を組み合わせることで,既知の原因や潜在的な原因を含むアプリケーションの新たな原因を学習する。我々はParKCAを実世界と模擬データセットの2つのゲノムワイドアソシエーション研究で検証した。その結果,ParKCAは既存の方法よりも多くの原因を推測できることがわかった。

関連論文リスト

A Data-Driven Two-Phase Multi-Split Causal Ensemble Model for Time Series [0.8252665500568257]
因果推論は、多くの分野における因果関係を発見するための基本的な研究テーマである。一部のアプローチは線形関係を特定できるだけであり、他のアプローチは非線型性に適用できる。本稿では,データ駆動型マルチスプリット因果アンサンブルモデルを提案する。
論文参考訳（メタデータ） (2024-03-04T14:20:41Z)
Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
任意の因果モデルと異種データに対応する新しいFCD法を提案する。これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
論文参考訳（メタデータ） (2024-02-20T18:53:53Z)
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)
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 step towards the applicability of algorithms based on invariant causal learning on observational data [0.0]
本稿では、因果発見手法と効率よく統合された不変因果予測(ICP)を適用する方法について述べる。また,本手法とICPを効果的に統合して因果発見を行う方法について述べる。
論文参考訳（メタデータ） (2023-04-05T08:15:57Z)
From Causal Pairs to Causal Graphs [1.5469452301122175]
観測データから学習する因果構造は、非自明な課題である。 NIPS 2013 Workshop on Causality Challengeにより、我々は異なるアプローチを採り、可能な全てのグラフに確率分布を生成する。本研究の目的は,この確率的情報に基づく新しい手法を提案し,その性能を従来の手法や最先端の手法と比較することである。
論文参考訳（メタデータ） (2022-11-08T15:28:55Z)
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)
Deep End-to-end Causal Inference [36.822180456180675]
因果推論は、ビジネスエンゲージメント、医療治療、ポリシー作成といった分野にわたるデータ駆動意思決定に不可欠である。我々は、観測データを取り込む単一のフローベース手法であるDeep End-to-end Causal Inference (DECI)を開発し、因果発見と推論の両方を行う。以上の結果から,因果発見と(C)ATE推定の両方の基準値と比較すると,DECの優れた性能を示した。
論文参考訳（メタデータ） (2022-02-04T15:40:28Z)
Latent Instrumental Variables as Priors in Causal Inference based on Independence of Cause and Mechanism [2.28438857884398]
因果図形構造における潜時楽器変数や隠蔽共通原因などの潜時変数の役割について検討する。 2つの変数間の因果関係を推論する新しいアルゴリズムを導出する。
論文参考訳（メタデータ） (2020-07-17T08:18:19Z)
A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文参考訳（メタデータ） (2020-02-23T22:52:28Z)
A Survey on Causal Inference [64.45536158710014]
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。
論文参考訳（メタデータ） (2020-02-05T21:35:29Z)

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。