論文の概要: A general framework for causal classification

• arxiv url: http://arxiv.org/abs/2003.11940v4
• Date: Mon, 15 Mar 2021 01:03:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 02:56:29.648401
• Title: A general framework for causal classification
• Title（参考訳）: 因果分類の一般的な枠組み
• Authors: Jiuyong Li, Weijia Zhang, Lin Liu, Kui Yu, Thuc Duy Le and Jixue Liu
• Abstract要約: 我々は、個人化された意思決定問題の集合に因果分類を用いる。 フレキシブルな実装のための既製の教師付き手法を用いて、因果分類のための一般的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 29.553067010045535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many applications, there is a need to predict the effect of an intervention on different individuals from data. For example, which customers are persuadable by a product promotion? which patients should be treated with a certain type of treatment? These are typical causal questions involving the effect or the change in outcomes made by an intervention. The questions cannot be answered with traditional classification methods as they only use associations to predict outcomes. For personalised marketing, these questions are often answered with uplift modelling. The objective of uplift modelling is to estimate causal effect, but its literature does not discuss when the uplift represents causal effect. Causal heterogeneity modelling can solve the problem, but its assumption of unconfoundedness is untestable in data. So practitioners need guidelines in their applications when using the methods. In this paper, we use causal classification for a set of personalised decision making problems, and differentiate it from classification. We discuss the conditions when causal classification can be resolved by uplift (and causal heterogeneity) modelling methods. We also propose a general framework for causal classification, by using off-the-shelf supervised methods for flexible implementations. Experiments have shown two instantiations of the framework work for causal classification and for uplift (causal heterogeneity) modelling, and are competitive with the other uplift (causal heterogeneity) modelling methods.
• Abstract（参考訳）: 多くのアプリケーションでは、データから異なる個人に対する介入の効果を予測する必要がある。 例えば、どの顧客がプロダクトのプロモーションによって説得できるのか? どのような患者に ある種の治療をすべきでしょうか? これらは、介入による効果や結果の変化を伴う典型的な因果問題である。 従来の分類法では、結果を予測するために関連性のみを使用するため、これらの疑問に答えることはできない。 パーソナライズされたマーケティングでは、これらの質問はしばしばアップリフトモデルで答えられる。 隆起モデルの目的は因果効果を推定することであるが、その文献は隆起が因果効果を表す時期について論じていない。 因果的不均質性モデリングは問題を解くことができるが、その根拠のない仮定はデータではテストできない。 そのため、実践者は、メソッドを使用する際に、アプリケーションにガイドラインが必要です。 本稿では,個人化された意思決定問題の集合に対して因果分類を行い,分類と区別する。 因果分類をuplift(およびcausal heterogeneity)モデリングによって解決できる条件について考察する。 また,既成の教師付き手法を柔軟な実装に利用することにより,因果分類の汎用フレームワークを提案する。 実験により、因果分類とアップリフト (causal heterogeneity) モデリングのためのフレームワークの2つのインスタンス化が示され、他のアップリフト (causal heterogeneity) モデリング法と競合する。

関連論文リスト

• Causal Fine-Tuning and Effect Calibration of Non-Causal Predictive Models [1.3124513975412255]
  本稿では,無作為な実験データを用いた因果推論のための非因果モデルの性能向上手法を提案する。 広告、顧客の保持、精密医療のような領域では、介入なしの結果を予測する非因果モデルはしばしば、介入の期待された効果に応じて個人をスコアしランク付けするために使用される。
  論文  参考訳（メタデータ） (2024-06-13T20:18:16Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Causality Inspired Representation Learning for Domain Generalization [47.574964496891404]
  本稿では、ドメイン一般化問題を形式化する一般的な構造因果モデルを提案する。 我々の目標は、入力から因果因子を抽出し、不変因果機構を再構築することである。 理想的な因果因子は、非因果的要因から分離され、共同独立であり、分類に十分な因果的要因である。
  論文  参考訳（メタデータ） (2022-03-27T08:08:33Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Generative causal explanations of black-box classifiers [15.029443432414947]
  学習した低次元データ表現に基づいてブラックボックス分類器の因果後説明を生成する手法を開発した。 次に,画像認識タスクにおける本手法の実用性を示す。
  論文  参考訳（メタデータ） (2020-06-24T17:45:52Z)

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。