論文の概要: Synthetic Interventions
- arxiv url: http://arxiv.org/abs/2006.07691v4
- Date: Wed, 29 Sep 2021 02:04:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 21:00:56.222751
- Title: Synthetic Interventions
- Title(参考訳): 合成介入
- Authors: Anish Agarwal, Devavrat Shah, Dennis Shen
- Abstract要約: 私たちの目標は、すべてのユニットに対するすべての介入に関連する潜在的な結果を学ぶことです。
我々は、これらの$NのD$因果的パラメータを推測するために、因果的枠組み、合成的介入(SI)を提案する。
私たちの推定器は、介入がどのように割り当てられるかを決定する潜伏した共同設立者も許可します。
- 参考スコア(独自算出の注目度): 22.645559340809406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Consider a setting where there are $N$ heterogeneous units (e.g.,
individuals, sub-populations) and $D$ interventions (e.g., socio-economic
policies). Our goal is to learn the potential outcome associated with every
intervention on every unit (i.e., $N \times D$ causal parameters). Towards
this, we present a causal framework, synthetic interventions (SI), to infer
these $N \times D$ causal parameters while only observing each of the $N$ units
under at most two interventions, independent of $D$. This can be significant as
the number of interventions, i.e, level of personalization, grows. Importantly,
our estimator also allows for latent confounders that determine how
interventions are assigned. Theoretically, under a novel tensor factor model
across units, measurements, and interventions, we formally establish an
identification result for each of these $N \times D$ causal parameters and
establish finite-sample consistency and asymptotic normality of our estimator.
The estimator is furnished with a data-driven test to verify its suitability.
Empirically, we validate our framework through both experimental and
observational case studies; namely, a large-scale A/B test performed on an
e-commerce platform, and an evaluation of mobility restriction on morbidity
outcomes due to COVID-19. We believe this has important implications for
program evaluation and the design of data-efficient RCTs with heterogeneous
units and multiple interventions.
- Abstract(参考訳): n$ の異種単位(例えば、個人、サブ人口)と $d$ の介入(例えば、社会経済政策)がある場合を考える。
我々のゴールは、すべての単位への介入(すなわち、$N \times D$因果パラメータ)に関連する潜在的な結果を学ぶことである。
そこで本論文では, 因果的枠組みである合成的介入(SI)を提案し, これらの$N \times D$因果的パラメータを推定すると同時に, 最低2回の介入でN$単位のそれぞれをD$とは独立に観察する。
これは、介入の数、すなわちパーソナライゼーションのレベルが増加するにつれて重要になる。
重要なことに、私たちの推定は、潜伏する共同創設者がどのように介入が割り当てられるかを決定するのにも役立ちます。
理論的には、単位、測定、介入にまたがる新しいテンソル因子モデルの下で、これらの$N \times D$因果パラメータの識別結果を正式に確立し、我々の推定器の有限サンプル整合性と漸近正規性を確立する。
estimatorには、その適合性を検証するためのデータ駆動テストが備えられている。
実験的なケーススタディ,すなわち,eコマースプラットフォーム上で実施した大規模a/bテスト,およびcovid-19による致死的成果に対するモビリティ制限の評価を通じて,我々の枠組みを検証する。
これはプログラム評価や、異種単位と複数の介入を伴うデータ効率の良いrctの設計に重要な意味を持つと信じている。
関連論文リスト
- Collaborative non-parametric two-sample testing [55.98760097296213]
目標は、null仮説の$p_v = q_v$が拒否されるノードを特定することである。
グラフ構造を効率的に活用する非パラメトリックコラボレーティブ2サンプルテスト(CTST)フレームワークを提案する。
提案手法は,f-divergence Estimation, Kernel Methods, Multitask Learningなどの要素を統合する。
論文 参考訳(メタデータ) (2024-02-08T14:43:56Z) - Invariant Causal Prediction with Locally Linear Models [58.6243132840146]
観測データから対象変数の因果親を同定する作業を検討する。
親識別のための仮説テストに基づくLolicaPという実用的な手法を提案する。
我々は,LolicaPの統計的パワーが標本サイズにおいて指数関数的に高速に収束することを示す。
論文 参考訳(メタデータ) (2024-01-10T15:34:42Z) - Clustered Switchback Experiments: Near-Optimal Rates Under
Spatiotemporal Interference [50.17596656599103]
我々は, 平均治療効果 (GATE) を推定し, 全単位を常に治療やコントロールに曝露した平均結果の差を推定した。
そこで我々は,単位をクラスタにグループ化し,時間ステップをブロックにグループ化する,クラスタ化されたスイッチバック設計を提案する。
良好なクラスタリングを許容するグラフに対して,Horvitz-Thompson推定器が$tilde O(1/NT)$ mean-squared error (MSE)を達成し,$Omega (1/NT)$ lower bound to logarithmic termsと一致することを示す。
論文 参考訳(メタデータ) (2023-12-25T01:00:58Z) - 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) - Synthetic Combinations: A Causal Inference Framework for Combinatorial
Interventions [8.491098180590447]
介入の任意の組み合わせ、すなわち$N×2p$因果パラメータについて、単位特異的な潜在的な結果を学ぶ。
様々なパラメーターを推定するために$N×2p$の実験を実行すると、$N$と$p$が成長するほど高価で/または実現不可能である。
論文 参考訳(メタデータ) (2023-03-24T18:45:44Z) - A Robustness Analysis of Blind Source Separation [91.3755431537592]
ブラインドソース分離(BSS)は、変換$f$が可逆であるが未知であるという条件の下で、その混合である$X=f(S)$から観測されていない信号を復元することを目的としている。
このような違反を分析し、その影響を$X$から$S$のブラインドリカバリに与える影響を定量化するための一般的なフレームワークを提案する。
定義された構造的仮定からの偏差に対する一般的なBSS溶出は、明示的な連続性保証という形で、利益的に分析可能であることを示す。
論文 参考訳(メタデータ) (2023-03-17T16:30:51Z) - On counterfactual inference with unobserved confounding [36.18241676876348]
独立だが不均一な単位を持つ観測的研究を前提として、各単位の反実分布を学習することが目的である。
我々は、すべての$n$サンプルをプールして、すべての$n$パラメータベクトルを共同で学習する凸目的を導入する。
対数的ソボレフ不等式を満たすためにコンパクトに支持された分布に対して十分な条件を導出する。
論文 参考訳(メタデータ) (2022-11-14T04:14:37Z) - On the Identifiability and Estimation of Causal Location-Scale Noise
Models [122.65417012597754]
位置スケール・異方性雑音モデル(LSNM)のクラスについて検討する。
症例によっては, 因果方向が同定可能であることが示唆された。
我々は,LSNMの2つの推定器を提案し,その1つは(非線形)特徴写像に基づく推定器と,1つはニューラルネットワークに基づく推定器を提案する。
論文 参考訳(メタデータ) (2022-10-13T17:18:59Z) - Revealing Unobservables by Deep Learning: Generative Element Extraction
Networks (GEEN) [5.3028918247347585]
本稿では,ランダムサンプル中の潜伏変数$X*$を推定する新しい手法を提案する。
我々の知る限りでは、この論文は観測においてそのような識別を初めて提供するものである。
論文 参考訳(メタデータ) (2022-10-04T01:09:05Z) - Metric Entropy Duality and the Sample Complexity of Outcome
Indistinguishability [7.727052811126007]
結果の不一致性において、目標は、ターゲット予測子と区別できない予測子を出力することである。
結果の不一致性のサンプル複雑性は、$P$ w.r.tの計量エントロピーによって特徴づけられる。
この同値性は凸幾何学における長年の計量エントロピー双対性予想と興味深い関係を持つ。
論文 参考訳(メタデータ) (2022-03-09T06:02:31Z) - Efficient Intervention Design for Causal Discovery with Latents [30.721629140295178]
我々は、潜伏変数の存在下で因果グラフを復元することを検討する。
本研究では,(1)変数のサブセットに対する介入のコストが線形なモデルである線形コストモデルと,(2)介入のコストがどの変数であっても同一であるアイデンティティコストモデルとを考察する。
論文 参考訳(メタデータ) (2020-05-24T12:53:48Z)
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。