論文の概要: A Class of Algorithms for General Instrumental Variable Models
- arxiv url: http://arxiv.org/abs/2006.06366v3
- Date: Wed, 21 Oct 2020 14:41:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 10:03:19.934180
- Title: A Class of Algorithms for General Instrumental Variable Models
- Title（参考訳）: 一般機器変数モデルのためのアルゴリズムのクラス
- Authors: Niki Kilbertus, Matt J. Kusner, Ricardo Silva
- Abstract要約: 因果治療効果の推定は、様々な現実世界で発生する重要な問題である。
連続分布における因果効果のバウンディング法を提案する。
- 参考スコア（独自算出の注目度）: 29.558215059892206
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal treatment effect estimation is a key problem that arises in a variety
of real-world settings, from personalized medicine to governmental policy
making. There has been a flurry of recent work in machine learning on
estimating causal effects when one has access to an instrument. However, to
achieve identifiability, they in general require one-size-fits-all assumptions
such as an additive error model for the outcome. An alternative is partial
identification, which provides bounds on the causal effect. Little exists in
terms of bounding methods that can deal with the most general case, where the
treatment itself can be continuous. Moreover, bounding methods generally do not
allow for a continuum of assumptions on the shape of the causal effect that can
smoothly trade off stronger background knowledge for more informative bounds.
In this work, we provide a method for causal effect bounding in continuous
distributions, leveraging recent advances in gradient-based methods for the
optimization of computationally intractable objective functions. We demonstrate
on a set of synthetic and real-world data that our bounds capture the causal
effect when additive methods fail, providing a useful range of answers
compatible with observation as opposed to relying on unwarranted structural
assumptions.
- Abstract（参考訳）: 因果的治療効果の推定は、パーソナライズされた医療から政府による政策立案まで、様々な現実世界で発生する重要な問題である。
最近の機械学習では、楽器にアクセスした際に因果効果を推定する研究が盛んに行われている。
しかし、識別性を達成するためには、一般に、結果に加算誤差モデルのような1サイズ適合の仮定を必要とする。
別の方法として、因果効果の境界を提供する部分的識別がある。
最も一般的な場合、治療そのものが連続的な場合を扱える境界づけ法についてはほとんど存在しない。
さらに、バウンディング法は一般的に、より情報的なバウンダリに対してより強い背景知識をスムーズに取り除くことができる因果効果の形状に関する仮定の連続を許さない。
本研究では, 連続分布における因果効果のバウンディング法を提案し, 計算難解な対象関数の最適化のための勾配に基づく手法の最近の進歩を生かした。
我々は,付加的手法が失敗した場合の因果関係を捉え,不規則な構造仮定に依存するのではなく,観察に適合する有用な応答範囲を提供する,合成および実世界の一連のデータについて実証する。
関連論文リスト
- Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。
オラクル形式は影響関数の一貫した近似であることを示す。
次に、平均二乗誤差の観点から総合収束解析を行う。
論文 参考訳（メタデータ） (2023-09-22T12:18:53Z) - B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under
Hidden Confounding [51.74479522965712]
本稿では,B-Learnerと呼ばれるメタラーナーを提案する。
我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
論文 参考訳（メタデータ） (2023-04-20T18:07:19Z) - Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。
本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
論文 参考訳（メタデータ） (2022-08-29T16:16:22Z) - Deep Learning Methods for Proximal Inference via Maximum Moment
Restriction [0.0]
深層ニューラルネットワークに基づくフレキシブルでスケーラブルな手法を導入し,不測の共起の存在による因果効果を推定する。
提案手法は,2つの確立された近位推定ベンチマークにおいて,技術性能の状態を達成している。
論文 参考訳（メタデータ） (2022-05-19T19:51:42Z) - The Causal Marginal Polytope for Bounding Treatment Effects [9.196779204457059]
グローバル因果モデルを構築することなく因果関係を同定する手法を提案する。
我々は,グローバル因果モデルを構築することなく,因果モデルの限界とデータとの整合性を強制する。
我々はこの局所的に一貫した辺縁の集合を、因果的辺縁ポリトープと呼ぶ。
論文 参考訳（メタデータ） (2022-02-28T15:08:22Z) - Stochastic Causal Programming for Bounding Treatment Effects [8.879868078611443]
因果効果の推定は自然科学や社会科学における多くの課題において重要である。
我々はフレキシブルな学習アルゴリズムとモンテカルロ法を用いて、因果プログラミングという名のソリューション群を実装している。
論文 参考訳（メタデータ） (2022-02-22T10:55:24Z) - Partial Identification with Noisy Covariates: A Robust Optimization
Approach [94.10051154390237]
観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。
このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。
合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
論文 参考訳（メタデータ） (2022-02-22T04:24:26Z) - Algorithmic Recourse in Partially and Fully Confounded Settings Through
Bounding Counterfactual Effects [0.6299766708197883]
アルゴリズムリコースは、自動意思決定システムからより好ましい結果を得るために、個人に実行可能なレコメンデーションを提供することを目的としている。
既存の手法では,データから学習した因果モデルを用いて,隠れたコンバウンディングや付加雑音などの仮定をモデル化する手法が提案されている。
本稿では、これらの仮定を緩和し、観測不能な共役および任意の構造方程式を可能にする離散確率変数に対する別のアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-22T15:07:49Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-07T10:14:18Z) - Differentiable Causal Discovery from Interventional Data [141.41931444927184]
本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。
提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
論文 参考訳（メタデータ） (2020-07-03T15:19:17Z) - Differentiable Causal Backdoor Discovery [36.68511018339594]
本稿では,勾配に基づく最適化手法により適切な調整を行うために,楽器と同様の補助変数を利用するアルゴリズムを提案する。
完全な因果グラフの知識を必要とせず、真の因果効果を推定する実用的な選択肢よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-03-03T11:32:43Z)
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。