論文の概要: Wasserstein Random Forests and Applications in Heterogeneous Treatment
Effects
- arxiv url: http://arxiv.org/abs/2006.04709v3
- Date: Mon, 15 Feb 2021 09:10:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 01:24:43.853753
- Title: Wasserstein Random Forests and Applications in Heterogeneous Treatment
Effects
- Title(参考訳): ワッサースタインランダム林と不均質処理効果への応用
- Authors: Qiming Du, G\'erard Biau, Fran\c{c}ois Petit and Rapha\"el Porcher
- Abstract要約: 我々は、ブレイマンの元々の分裂基準を、経験的測度の間のワッサーシュタイン距離の観点から再考する。
この改革は、ランダムフォレストが条件分布を推定するのに適していることを示している。
- 参考スコア(独自算出の注目度): 0.43012765978447565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present new insights into causal inference in the context of Heterogeneous
Treatment Effects by proposing natural variants of Random Forests to estimate
the key conditional distributions. To achieve this, we recast Breiman's
original splitting criterion in terms of Wasserstein distances between
empirical measures. This reformulation indicates that Random Forests are well
adapted to estimate conditional distributions and provides a natural extension
of the algorithm to multivariate outputs. Following the philosophy of Breiman's
construction, we propose some variants of the splitting rule that are
well-suited to the conditional distribution estimation problem. Some
preliminary theoretical connections are established along with various
numerical experiments, which show how our approach may help to conduct more
transparent causal inference in complex situations.
- Abstract(参考訳): 本研究では,不均質処理効果の文脈における因果推論に関する新たな知見をランダム林の自然変種を用いて提案し,重要な条件分布を推定する。
これを達成するために、我々は経験的測度間のwasserstein距離の観点から、breimanのもともとの分割基準を再キャストした。
この再構成は、ランダムフォレストが条件分布の推定に適しており、多変量出力に対するアルゴリズムの自然な拡張を提供することを示している。
ブレイマンの構成の哲学に従い、条件分布推定問題によく適合する分割規則のいくつかの変種を提案する。
いくつかの予備的理論接続は様々な数値実験とともに確立されており、我々のアプローチが複雑な状況においてより透明な因果推論を行うのにどのように役立つかを示している。
関連論文リスト
- Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。
提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
論文 参考訳(メタデータ) (2024-02-13T09:40:19Z) - Reparameterized Variational Rejection Sampling [12.189621777178354]
変動リジェクションサンプリング(VRS)は、パラメータ提案分布とサンプリングリジェクションを組み合わせて、リッチな非パラメトリック分布の族を定義する。
提案手法は,実運用において良好に動作し,特に局所潜伏変数を持つモデルではブラックボックス推論に適していることを示す。
論文 参考訳(メタデータ) (2023-09-26T01:46:53Z) - Improved sampling via learned diffusions [9.518010235273783]
近年,非正規化対象密度からの深層学習に基づくアプローチが提案されている。
本研究では,これらの手法をシュリンガー橋問題(Schr"odinger bridge problem)の特別な場合とみなす。
我々は、時間反転拡散過程の経路空間測度間のばらつきに基づく変分定式化を導入することにより、この枠組みを一般化する。
論文 参考訳(メタデータ) (2023-07-03T17:58:26Z) - Confidence and Uncertainty Assessment for Distributional Random Forests [1.2767281330110625]
分布ランダムフォレスト (DRF) は条件分布を推定するために最近導入されたランダムフォレストである。
条件平均処理効果、条件量子化、条件相関など、幅広いターゲットを推定するために使用できる。
DRFのアルゴリズムを特徴付け、ブートストラップ近似を開発する。
論文 参考訳(メタデータ) (2023-02-11T19:10:01Z) - Bayesian Hierarchical Models for Counterfactual Estimation [12.159830463756341]
本稿では,多種多様なカウンターファクトの集合を推定する確率的パラダイムを提案する。
摂動を事前分布関数によるランダム変数として扱う。
収束特性の優れた勾配ベースサンプリング器は、後方サンプルを効率的に計算する。
論文 参考訳(メタデータ) (2023-01-21T00:21:11Z) - Learning Invariant Representations under General Interventions on the
Response [2.725698729450241]
線形構造因果モデル(SCM)に着目し、不変整合性(IMP)を導入する。
離散環境と連続環境の両方において,本手法の一般化誤差を解析する。
論文 参考訳(メタデータ) (2022-08-22T03:09:17Z) - Random Forest Weighted Local Fr\'echet Regression with Random Objects [52.25304029942005]
本稿では,新しいランダム森林重み付き局所Fr'echet回帰パラダイムを提案する。
最初の方法は,これらの重みを局所平均として利用し,条件付きFr'echet平均を解く。
第二の手法は局所線形Fr'echet回帰を行い、どちらも既存のFr'echet回帰法を大幅に改善した。
論文 参考訳(メタデータ) (2022-02-10T09:10:59Z) - A Unified Framework for Multi-distribution Density Ratio Estimation [101.67420298343512]
バイナリ密度比推定(DRE)は多くの最先端の機械学習アルゴリズムの基礎を提供する。
ブレグマン最小化の発散の観点から一般的な枠組みを開発する。
我々のフレームワークはバイナリDREでそれらのフレームワークを厳格に一般化する手法に導かれることを示す。
論文 参考訳(メタデータ) (2021-12-07T01:23:20Z) - Variational Refinement for Importance Sampling Using the Forward
Kullback-Leibler Divergence [77.06203118175335]
変分推論(VI)はベイズ推論における正確なサンプリングの代替として人気がある。
重要度サンプリング(IS)は、ベイズ近似推論手順の推定を微調整し、偏りを逸脱するためにしばしば用いられる。
近似ベイズ推論のための最適化手法とサンプリング手法の新たな組み合わせを提案する。
論文 参考訳(メタデータ) (2021-06-30T11:00:24Z) - A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。
予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
論文 参考訳(メタデータ) (2020-07-08T11:35:47Z) - Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。
これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。
おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
論文 参考訳(メタデータ) (2020-02-17T19:23:36Z)
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。