論文の概要: Counterfactual Propagation for Semi-Supervised Individual Treatment Effect Estimation

• arxiv url: http://arxiv.org/abs/2005.05099v1
• Date: Mon, 11 May 2020 13:32:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-04 19:34:07.027519
• Title: Counterfactual Propagation for Semi-Supervised Individual Treatment Effect Estimation
• Title（参考訳）: 半監督個別処理効果推定のための実測的伝搬
• Authors: Shonosuke Harada and Hisashi Kashima
• Abstract要約: 個別治療効果(英: individual treatment effect、ITE)とは、特定の標的に特定の行動をとる結果の期待された改善を示す。 本研究では、より容易に利用可能な未ラベルのインスタンスを利用する半教師付きITE推定問題について考察する。 本稿では,最初の半教師付きITT推定法である反実伝搬法を提案する。
• 参考スコア（独自算出の注目度）: 21.285425135761795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Individual treatment effect (ITE) represents the expected improvement in the outcome of taking a particular action to a particular target, and plays important roles in decision making in various domains. However, its estimation problem is difficult because intervention studies to collect information regarding the applied treatments (i.e., actions) and their outcomes are often quite expensive in terms of time and monetary costs. In this study, we consider a semi-supervised ITE estimation problem that exploits more easily-available unlabeled instances to improve the performance of ITE estimation using small labeled data. We combine two ideas from causal inference and semi-supervised learning, namely, matching and label propagation, respectively, to propose counterfactual propagation, which is the first semi-supervised ITE estimation method. Experiments using semi-real datasets demonstrate that the proposed method can successfully mitigate the data scarcity problem in ITE estimation.
• Abstract（参考訳）: 個別治療効果(ITE)は、特定の目標に対して特定の行動をとる結果の期待された改善を表し、様々な領域における意思決定において重要な役割を果たす。 しかし、その評価問題は、介入研究が適用された治療に関する情報(例えば、行動)を収集し、その結果が時間的・金銭的コストの面で非常に高価であることから困難である。 本研究では,より容易に使用可能なラベル付きインスタンスを活用し,小さなラベル付きデータを用いたite推定の性能を向上させる,半教師付きite推定問題を考える。 因果推論と半教師付き学習,すなわちマッチングとラベル伝搬の2つのアイデアを組み合わせて,最初の半教師付きITT推定法である対実的伝搬を提案する。 セミリアルデータセットを用いた実験により,提案手法はITE推定におけるデータ不足問題を軽減できることを示した。

関連論文リスト

• Targeted Machine Learning for Average Causal Effect Estimation Using the Front-Door Functional [3.0232957374216953]
  結果に対する治療の平均因果効果(ACE)を評価することは、しばしば観察研究における要因の相違によって引き起こされる課題を克服することを伴う。 本稿では,目標最小損失推定理論に基づいて,正面基準の新たな推定手法を提案する。 本研究では,早期学業成績が今後の年収に与える影響を明らかにするために,これらの推定装置の適用性を示す。
  論文  参考訳（メタデータ） (2023-12-15T22:04:53Z)
• Optimal Transport for Treatment Effect Estimation [42.50410909962438]
  観測データから条件平均処理効果を推定することは, 処理選択バイアスが存在するため, 極めて困難である。 代表的な方法は、潜在空間における異なる処理群の分布を整列させることによってこの問題を軽減することである。 本稿では,因果関係の文脈において最適な輸送手段であるEntire Space CounterFactual Regression (ESCFR)を提案する。
  論文  参考訳（メタデータ） (2023-10-27T17:22:45Z)
• 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)
• Doubly Robust Estimation of Direct and Indirect Quantile Treatment Effects with Machine Learning [0.0]
  本稿では, 直接的および間接的量子的処理効果の機械学習推定器を提案する。 提案手法は,確率結果の累積分布関数の効率的なスコア関数に基づく。 また,統計的推測のための乗算器ブートストラップを提案し,乗算器の有効性を示す。
  論文  参考訳（メタデータ） (2023-07-03T14:27:15Z)
• 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)
• Doing Great at Estimating CATE? On the Neglected Assumptions in Benchmark Comparisons of Treatment Effect Estimators [91.3755431537592]
  もっとも単純な設定であっても、無知性仮定に基づく推定は誤解を招く可能性があることを示す。 異種処理効果評価のための機械学習ベンチマークデータセットを2つ検討した。 ベンチマークデータセットの固有の特性が、他のものよりもいくつかのアルゴリズムを好んでいる点を強調します。
  論文  参考訳（メタデータ） (2021-07-28T13:21:27Z)
• 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)
• Confounding Feature Acquisition for Causal Effect Estimation [6.174721516017138]
  我々は,この課題を因果推論のための特徴獲得の問題として捉えている。 我々のゴールは、効率的な平均治療効果の推定につながるサンプルにおいて、行方不明の共同創業者の固定的で既知のサブセットの取得値を優先順位付けすることです。
  論文  参考訳（メタデータ） (2020-11-17T16:28:43Z)
• Robust and flexible learning of a high-dimensional classification rule using auxiliary outcomes [2.92281985958308]
  我々は,高次元線形決定ルールを補助的な結果の存在下で推定する伝達学習手法を開発した。 最終推定器は,1つの利害関係のみを用いた推定よりも低い推定誤差が得られることを示す。
  論文  参考訳（メタデータ） (2020-11-11T01:14:33Z)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)
• 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。

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。