Fugu-MT 論文翻訳(概要): Estimating Individual Treatment Effects through Causal Populations Identification

論文の概要: Estimating Individual Treatment Effects through Causal Populations Identification

arxiv url: http://arxiv.org/abs/2004.05013v3
Date: Wed, 6 May 2020 11:12:37 GMT
ステータス: 処理完了
システム内更新日: 2022-12-14 20:17:47.687693
Title: Estimating Individual Treatment Effects through Causal Populations Identification
Title（参考訳）: 因果集団同定による個別治療効果の推定
Authors: C\'eline Beji, Micha\"el Bon, Florian Yger, Jamal Atif
Abstract要約: 隠れ変数からの推測としてこの問題を定式化し、4つの排他的因果集団のモデルに基づいて因果制約を強制する。本稿では,EMアルゴリズムの新たなバージョンを提案する。これは期待値最大化 (ECM) アルゴリズムと呼ばれ,軽度条件下での収束のヒントを提供する。
参考スコア（独自算出の注目度）: 11.936520478641182
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Estimating the Individual Treatment Effect from observational data, defined as the difference between outcomes with and without treatment or intervention, while observing just one of both, is a challenging problems in causal learning. In this paper, we formulate this problem as an inference from hidden variables and enforce causal constraints based on a model of four exclusive causal populations. We propose a new version of the EM algorithm, coined as Expected-Causality-Maximization (ECM) algorithm and provide hints on its convergence under mild conditions. We compare our algorithm to baseline methods on synthetic and real-world data and discuss its performances.
Abstract（参考訳）: 観察データから個々の治療効果を推定することは、治療や介入のない結果の差として定義され、両者のどちらかを観察しながらも、因果学習において難しい問題である。本稿では,隠れ変数からの推論としてこの問題を定式化し,4つの排他的因果集団のモデルに基づいて因果制約を課す。我々は,ecmアルゴリズムとして考案されたemアルゴリズムの新バージョンを提案し,軽度条件下での収束に関するヒントを提供する。本アルゴリズムと合成および実世界のデータに基づくベースライン手法を比較し,その性能について考察する。

関連論文リスト

Estimating Joint interventional distributions from marginal interventional data [1.5416095780642964]
我々は、最大エントロピー原理を用いて、すべての変数の連立条件分布を取得するために介入データを利用する方法を示す。ラグランジュ双対性を用いて、介入制約を伴う因果最大エントロピー問題の解が指数族に属することを証明する。
論文参考訳（メタデータ） (2024-09-03T11:18:35Z)
Identification of Average Causal Effects in Confounded Additive Noise Models [7.064432289838905]
結果に対する治療変数の任意のサブセットの平均因果効果(ACE)を推定するための新しいアプローチを提案する。また,ノード数の多元対数に対する介入回数をさらに削減するランダム化アルゴリズムを提案する。このことは、治療のどのサブセットの因果効果も、確立されたANMの結果を高い確率で推測するのに十分であることを示す。
論文参考訳（メタデータ） (2024-07-13T21:46:57Z)
Causal Discovery under Off-Target Interventions [18.92683981229985]
因果グラフ発見は様々な分野の応用において重要な問題である。本研究は,介入数の最小化を目標とした介入設定の下での因果発見問題に対処する。
論文参考訳（メタデータ） (2024-02-13T05:43:49Z)
Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文参考訳（メタデータ） (2022-12-06T12:42:11Z)
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)
Generalization bounds and algorithms for estimating conditional average treatment effect of dosage [13.867315751451494]
本研究では,治療薬対の条件付き平均因果効果を観測データと仮定の組み合わせで推定する作業について検討した。これは疫学や経済学など、意思決定のために治療薬対を必要とする分野における長年にわたる課題である。この問題に対するいくつかのベンチマークデータセットに対して、実証的に新しい最先端のパフォーマンス結果を示す。
論文参考訳（メタデータ） (2022-05-29T15:26:59Z)
SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文参考訳（メタデータ） (2021-10-26T20:13:17Z)
Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
論文参考訳（メタデータ） (2021-06-07T17:47:16Z)
Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-08T14:29:07Z)
Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。