論文の概要: Long-Term Effect Estimation with Surrogate Representation
- arxiv url: http://arxiv.org/abs/2008.08236v2
- Date: Tue, 22 Dec 2020 16:52:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 12:18:01.807518
- Title: Long-Term Effect Estimation with Surrogate Representation
- Title（参考訳）: サーロゲート表現を用いた長期効果推定
- Authors: Lu Cheng, Ruocheng Guo, Huan Liu
- Abstract要約: 本研究は、一次利害関係(一次利害関係)の結果が蓄積されるまでに数ヶ月、あるいは数年を要する長期的効果の問題を研究する。
本稿では,機械学習における因果推論と逐次モデルとの接続を構築することを提案する。
- 参考スコア（独自算出の注目度）: 43.932546958874696
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: There are many scenarios where short- and long-term causal effects of an
intervention are different. For example, low-quality ads may increase
short-term ad clicks but decrease the long-term revenue via reduced clicks.
This work, therefore, studies the problem of long-term effect where the outcome
of primary interest, or primary outcome, takes months or even years to
accumulate. The observational study of long-term effect presents unique
challenges. First, the confounding bias causes large estimation error and
variance, which can further accumulate towards the prediction of primary
outcomes. Second, short-term outcomes are often directly used as the proxy of
the primary outcome, i.e., the surrogate. Nevertheless, this method entails the
strong surrogacy assumption that is often impractical. To tackle these
challenges, we propose to build connections between long-term causal inference
and sequential models in machine learning. This enables us to learn surrogate
representations that account for the temporal unconfoundedness and circumvent
the stringent surrogacy assumption by conditioning on the inferred time-varying
confounders. Experimental results show that the proposed framework outperforms
the state-of-the-art.
- Abstract（参考訳）: 介入の短期的および長期的因果効果が異なる多くのシナリオがある。
例えば、低品質広告は短期広告クリックを増加させるが、クリック数を減らすことで長期広告収入を減少させる。
したがって、本研究は、第一利害の成果、または第一利害の成果が蓄積するのに何ヶ月、あるいは何年もかかる長期的効果の問題を研究する。
長期効果の観察的研究には独特の課題がある。
第一に、共起バイアスは大きな推定誤差とばらつきを引き起こし、一次結果の予測に向けてさらに蓄積することができる。
第二に、短期的な結果はしばしば第一の結果、すなわち代理として直接使用される。
それでもこの方法は、しばしば非現実的な強い代理仮定を必要とする。
これらの課題に対処するために、機械学習における長期因果推論とシーケンシャルモデルとの接続を構築することを提案する。
これにより、時間的不確定性を考慮した代理表現を学習し、推定された時間的共同創設者を条件づけることで、厳密な代理性仮定を回避することができる。
実験の結果,提案手法は最先端のフレームワークよりも優れていた。
関連論文リスト
- On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。
ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。
我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-24T08:08:05Z) - Policy Learning for Balancing Short-Term and Long-Term Rewards [11.859587700058235]
本稿では,長期的成果の欠落を許容する最適政策を学習するための新しい枠組みを定式化する。
短期的な成果は、関連する場合、長期的な報酬バランスの推定能力の向上に寄与することを示す。
論文 参考訳（メタデータ） (2024-05-06T10:09:35Z) - Long-term Off-Policy Evaluation and Learning [21.047613223586794]
アルゴリズムの短期的および長期的な結果はしばしば異なり、下流効果を損なう。
関心の長期的な結果を見るのに数ヶ月かそれ以上かかるので、アルゴリズムの選択プロセスは受け入れがたいほど遅くなります。
本稿では,報酬関数の分解に基づく長期オフライン評価(LOPE)という新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-24T06:59:59Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。
具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。
効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
論文 参考訳（メタデータ） (2023-03-12T03:40:21Z) - Estimating long-term causal effects from short-term experiments and
long-term observational data with unobserved confounding [5.854757988966379]
実験データと観測データの両方が利用可能である場合の長期治療効果の同定と推定について検討した。
我々の長期因果効果推定器は、回帰残差と短期実験結果を組み合わせることで得られる。
論文 参考訳（メタデータ） (2023-02-21T12:22:47Z) - Causal Triplet: An Open Challenge for Intervention-centric Causal
Representation Learning [98.78136504619539]
Causal Tripletは、視覚的に複雑なシーンを特徴とする因果表現学習ベンチマークである。
この結果から,不整合表現やオブジェクト中心表現の知識によって構築されたモデルが,分散表現よりもはるかに優れていることを示す。
論文 参考訳（メタデータ） (2023-01-12T17:43:38Z) - Long-term Causal Effects Estimation via Latent Surrogates Representation
Learning [19.4729873433786]
短期的サロゲートに基づく長期的因果効果の推定は、多くの実世界のアプリケーションにおいて重要な問題であるが挑戦的な問題である。
より現実的な状況下では、サロゲートが観察されたり、プロキシが観察されたりして、長期的な因果効果を推定するために、フレキシブルなレーザー法を開発した。
論文 参考訳（メタデータ） (2022-08-09T08:07:21Z) - Long-term Causal Inference Under Persistent Confounding via Data Combination [38.026740610259225]
実験データと観測データの両方が利用可能である場合の長期治療効果の同定と推定について検討した。
長期の成果は長期間の遅延後にのみ観測されるため、実験データでは測定されず、観測データでのみ記録される。
論文 参考訳（メタデータ） (2022-02-15T07:44:20Z) - Long-Tailed Classification by Keeping the Good and Removing the Bad
Momentum Causal Effect [95.37587481952487]
長い尾の分類は、大規模なディープラーニングの鍵である。
既存の手法は主に、基本的な理論を欠いた再重み付け/再サンプリングに基づいている。
本稿では,従来の手法の理由を解明するだけでなく,新たな原理的解を導出する因果推論の枠組みを確立する。
論文 参考訳（メタデータ） (2020-09-28T00:32:11Z)
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。