論文の概要: Causal Inference using Gaussian Processes with Structured Latent Confounders

• arxiv url: http://arxiv.org/abs/2007.07127v1
• Date: Tue, 14 Jul 2020 15:45:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 14:15:04.132141
• Title: Causal Inference using Gaussian Processes with Structured Latent Confounders
• Title（参考訳）: 構造付き潜在共同設立者によるガウス過程を用いた因果推論
• Authors: Sam Witty, Kenta Takatsu, David Jensen, Vikash Mansinghka
• Abstract要約: 本稿では,この構造を持つ助成金を半パラメトリックにモデル化し,因果効果の評価を改善する方法について述べる。 鍵となる革新は階層的ベイズモデル、構造化潜在共同設立者(GP-SLC)を持つガウス過程、楕円スライスサンプリングに基づくモンテカルロ推論アルゴリズムである。
• 参考スコア（独自算出の注目度）: 9.8164690355257
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Latent confounders---unobserved variables that influence both treatment and outcome---can bias estimates of causal effects. In some cases, these confounders are shared across observations, e.g. all students taking a course are influenced by the course's difficulty in addition to any educational interventions they receive individually. This paper shows how to semiparametrically model latent confounders that have this structure and thereby improve estimates of causal effects. The key innovations are a hierarchical Bayesian model, Gaussian processes with structured latent confounders (GP-SLC), and a Monte Carlo inference algorithm for this model based on elliptical slice sampling. GP-SLC provides principled Bayesian uncertainty estimates of individual treatment effect with minimal assumptions about the functional forms relating confounders, covariates, treatment, and outcome. Finally, this paper shows GP-SLC is competitive with or more accurate than widely used causal inference techniques on three benchmark datasets, including the Infant Health and Development Program and a dataset showing the effect of changing temperatures on state-wide energy consumption across New England.
• Abstract（参考訳）: 潜在的共同設立者--治療と結果の両方に影響を与える未観測変数---因果効果の偏見を推定する。 例えば、コースを受講しているすべての学生は、個別に受ける教育的介入に加えて、コースの難しさの影響を受けている。 本稿では,この構造を持つ助成金を半パラメトリックにモデル化し,因果効果の評価を改善する方法について述べる。 鍵となる革新は階層的ベイズモデル、構造化潜在共同設立者(GP-SLC)を持つガウス過程、楕円スライスサンプリングに基づくモンテカルロ推論アルゴリズムである。 GP-SLCは、共同設立者、共変量、治療、結果に関連する機能形式に関する最小限の仮定で、個々の治療効果のベイズ的不確実性推定を提供する。 最後に, gp-slcは, 乳幼児保健開発プログラムや, 温度変化がニューイングランド全域のエネルギー消費に与える影響を示すデータセットなど, 3つのベンチマークデータセットにおいて, 広く使用されている因果推論技術と競合しているか, またはより正確であることを示す。

関連論文リスト

• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Counterfactual Learning with Multioutput Deep Kernels [0.0]
  本稿では,観測データを用いた反実的推論の課題に対処する。 本稿では、因果効果を推定し、適切にポリシーを学習する、対実的マルチタスクディープカーネルモデルの一般的なクラスを示す。
  論文  参考訳（メタデータ） (2022-11-20T23:28:41Z)
• From Causal Pairs to Causal Graphs [1.5469452301122175]
  観測データから学習する因果構造は、非自明な課題である。 NIPS 2013 Workshop on Causality Challengeにより、我々は異なるアプローチを採り、可能な全てのグラフに確率分布を生成する。 本研究の目的は,この確率的情報に基づく新しい手法を提案し,その性能を従来の手法や最先端の手法と比較することである。
  論文  参考訳（メタデータ） (2022-11-08T15:28:55Z)
• How Tempering Fixes Data Augmentation in Bayesian Neural Networks [22.188535244056016]
  テンパリングは、拡張のモデリングから生じる誤特定を暗黙的に減らし、すなわちデータとして示す。 温度は有効サンプルサイズの役割を模倣し、増強によって提供される情報の利得を反映している。
  論文  参考訳（メタデータ） (2022-05-27T11:06:56Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Harmonization with Flow-based Causal Inference [12.739380441313022]
  本稿では, 医療データを調和させる構造因果モデル (SCM) に対して, 反実的推論を行う正規化フローに基づく手法を提案する。 我々は,この手法が最先端のアルゴリズムよりもドメイン間一般化に寄与することを示すために,複数の,大規模な実世界の医療データセットを評価した。
  論文  参考訳（メタデータ） (2021-06-12T19:57:35Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• 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)
• Causal Mediation Analysis with Hidden Confounders [24.246450472404614]
  CMA (Causal Mediation Analysis) は因果効果の同定と推定のための公式な統計手法である。 この研究は、統一された共著者とそのプロキシ変数による因果グラフに従うことによって、厳密な仮定を回避することを目的とする。 我々のコアコントリビューションは、深層潜伏変数モデルとプロキシ戦略を組み合わせたアルゴリズムであり、統一された代理共同創設者を共同で推論し、観測変数からCMAの異なる因果効果を推定する。
  論文  参考訳（メタデータ） (2021-02-21T06:46:11Z)
• Learning Decomposed Representation for Counterfactual Inference [53.36586760485262]
  観察データから治療効果を推定する際の根本的な問題は、共同設立者の識別とバランスである。 これまでの方法の多くは、観察されたすべての事前処理変数を共同創設者として扱い、共同創設者と非共同創設者の識別をさらに無視することで、共同ファウンダーのバランスを実現していた。 本研究では,1)共同創設者と非共同創設者の両方の表現を学習することで共同創設者を同定し,2)再重み付け手法のバランスをとるとともに,同時に,反実的推論による観察研究における治療効果を推定する相乗的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-12T09:50:42Z)
• 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。