論文の概要: Hi-CI: Deep Causal Inference in High Dimensions
- arxiv url: http://arxiv.org/abs/2008.09858v3
- Date: Fri, 9 Apr 2021 11:56:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 07:56:02.388672
- Title: Hi-CI: Deep Causal Inference in High Dimensions
- Title（参考訳）: Hi-CI:高次元における深い因果推論
- Authors: Ankit Sharma, Garima Gupta, Ranjitha Prasad, Arnab Chatterjee,
Lovekesh Vig, Gautam Shroff
- Abstract要約: 因果効果を推定するためのディープニューラルネットワーク(DNN)ベースのフレームワークであるHi-CIを提案する。
合成および実世界のNEWSデータセットを用いたHi-CIネットワークの因果効果予測の有効性を実証する。
- 参考スコア（独自算出の注目度）: 23.588253984635987
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We address the problem of counterfactual regression using causal inference
(CI) in observational studies consisting of high dimensional covariates and
high cardinality treatments. Confounding bias, which leads to inaccurate
treatment effect estimation, is attributed to covariates that affect both
treatments and outcome. The presence of high-dimensional co-variates
exacerbates the impact of bias as it is harder to isolate and measure the
impact of these confounders. In the presence of high-cardinality treatment
variables, CI is rendered ill-posed due to the increase in the number of
counterfactual outcomes to be predicted. We propose Hi-CI, a deep neural
network (DNN) based framework for estimating causal effects in the presence of
large number of covariates, and high-cardinal and continuous treatment
variables. The proposed architecture comprises of a decorrelation network and
an outcome prediction network. In the decorrelation network, we learn a data
representation in lower dimensions as compared to the original covariates and
addresses confounding bias alongside. Subsequently, in the outcome prediction
network, we learn an embedding of high-cardinality and continuous treatments,
jointly with the data representation. We demonstrate the efficacy of causal
effect prediction of the proposed Hi-CI network using synthetic and real-world
NEWS datasets.
- Abstract（参考訳）: 高次元共変量と高濃度処理からなる観測研究において,因果推論(ci)を用いた反事実回帰の問題に対処する。
不正確な治療効果の推定につながる共起バイアスは、治療と結果の両方に影響を及ぼす共変量に起因する。
高次元の共変量の存在は、これらの共同設立者の影響を分離し測定することが困難であるため、バイアスの影響を悪化させる。
高心拍数処理変数の存在下では、予測すべき偽結果の数の増加により、CIは不適切な状態となる。
我々は,多数の共変量が存在する場合の因果効果を推定するためのディープニューラルネットワーク(DNN)ベースのフレームワークであるHi-CIと,高次および連続的な治療変数を提案する。
提案するアーキテクチャは、非相関ネットワークと結果予測ネットワークとからなる。
デコリエーションネットワークでは、元の共変量と比較して低次元のデータ表現を学習し、バイアスの共起に対処する。
そして, 結果予測ネットワークにおいて, データ表現と協調して, 心電図と連続した治療の埋め込みを学習する。
合成および実世界のNEWSデータセットを用いたHi-CIネットワークの因果効果予測の有効性を示す。
関連論文リスト
- Estimating Peer Direct and Indirect Effects in Observational Network Data [16.006409149421515]
本稿では、ピア直接効果とピア間接効果の両方を考慮し、個人自身の治療の効果を考慮に入れた一般的な設定を提案する。
注意機構を用いて、異なる隣人の影響を識別し、グラフニューラルネットワークによる高次隣人効果を探索する。
理論的には,ネットワークシステムにおける介入戦略を改善する可能性があり,ソーシャルネットワークや疫学などの分野にも応用できる。
論文 参考訳（メタデータ） (2024-08-21T10:02:05Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳（メタデータ） (2023-06-09T08:30:51Z) - 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) - Improving Prediction of Cognitive Performance using Deep Neural Networks
in Sparse Data [2.867517731896504]
MIDUS(Midlife in the United States)の観察・コホート研究から得られたデータを用いて,エグゼクティブ機能とエピソード記憶測定をモデル化した。
ディープニューラルネットワーク(DNN)モデルは、認知パフォーマンス予測タスクの中で一貫して最高である。
論文 参考訳（メタデータ） (2021-12-28T22:23:08Z) - Dimension-Free Average Treatment Effect Inference with Deep Neural
Networks [6.704751710867747]
本稿では,Deep Neural Network (DNN) を用いた平均治療効果 (ATE) の推定と推定について検討する。
本稿では, ATE の DNN 推定値と次元自由整合率との整合性を示す。
論文 参考訳（メタデータ） (2021-12-02T19:28:37Z) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T20:13:17Z) - 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) - 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) - CDSM -- Casual Inference using Deep Bayesian Dynamic Survival Models [3.9169188005935927]
我々はベイジアン・リカレント・サブネットワークを用いた潜在的結果フレームワークを用いて生存曲線の差を推定する因果的動的生存モデル(CDSM)を開発した。
シミュレーションされたサバイバルデータセットを使用して、CDSMはサンプル寸法、イベントレート、結束および重複のシナリオにわたる良好な因果効果推定性能を示した。
論文 参考訳（メタデータ） (2021-01-26T09:15:49Z) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳（メタデータ） (2020-10-28T15:05:08Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。