論文の概要: Matching in Selective and Balanced Representation Space for Treatment Effects Estimation

• arxiv url: http://arxiv.org/abs/2009.06828v2
• Date: Sat, 5 Jun 2021 09:12:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 05:49:20.133788
• Title: Matching in Selective and Balanced Representation Space for Treatment Effects Estimation
• Title（参考訳）: 治療効果推定のための選択的・平衡表現空間のマッチング
• Authors: Zhixuan Chu, Stephen L. Rathbun, and Sheng Li
• Abstract要約: 深層表現学習とマッチングに基づく特徴選択表現マッチング(FSRM)手法を提案する。 本研究では, FSRM法の性能を3つのデータセットで評価し, 現状の手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 10.913802831701082
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The dramatically growing availability of observational data is being witnessed in various domains of science and technology, which facilitates the study of causal inference. However, estimating treatment effects from observational data is faced with two major challenges, missing counterfactual outcomes and treatment selection bias. Matching methods are among the most widely used and fundamental approaches to estimating treatment effects, but existing matching methods have poor performance when facing data with high dimensional and complicated variables. We propose a feature selection representation matching (FSRM) method based on deep representation learning and matching, which maps the original covariate space into a selective, nonlinear, and balanced representation space, and then conducts matching in the learned representation space. FSRM adopts deep feature selection to minimize the influence of irrelevant variables for estimating treatment effects and incorporates a regularizer based on the Wasserstein distance to learn balanced representations. We evaluate the performance of our FSRM method on three datasets, and the results demonstrate superiority over the state-of-the-art methods.
• Abstract（参考訳）: 観測データの劇的な増加は、因果推論の研究を促進する科学とテクノロジーの様々な領域で目撃されている。 しかし, 観測データから治療効果を推定するには, 副作用の欠如と治療選択バイアスの2つの大きな課題がある。 マッチング法は治療効果を推定するために最も広く使われ、基本的なアプローチであるが、既存のマッチング法は高次元で複雑な変数を持つデータに直面すると性能が劣る。 そこで本研究では,共変量空間を選択的,非線形,平衡表現空間にマッピングし,学習した表現空間でマッチングを行う,深部表現学習とマッチングに基づく特徴選択表現マッチング(fsrm)法を提案する。 FSRMは、処理効果を推定するために無関係変数の影響を最小限に抑えるために、深い特徴選択を採用し、Wasserstein距離に基づく正規化器を組み込んでバランスの取れた表現を学習する。 本研究では,FSRM法の性能を3つのデータセットで評価し,現状の手法よりも優れていることを示す。

関連論文リスト

• Counterfactual Data Augmentation with Contrastive Learning [27.28511396131235]
  本稿では,選択したサブセットに対して,結果に反する結果をもたらすモデルに依存しないデータ拡張手法を提案する。 我々は、比較学習を用いて表現空間と類似度尺度を学習し、学習された類似度尺度で同定された個人に近い学習空間において、同様の潜在的な結果が得られるようにした。 この性質は、代替治療群から近接した近縁者に対する対実的な結果の信頼性の高い計算を保証する。
  論文  参考訳（メタデータ） (2023-11-07T00:36:51Z)
• Linking data separation, visual separation, and classifier performance using pseudo-labeling by contrastive learning [125.99533416395765]
  最終分類器の性能は、潜在空間に存在するデータ分離と、射影に存在する視覚的分離に依存すると論じる。 本研究は,ヒト腸管寄生虫の5つの現実的課題の画像データセットを1%の教師付きサンプルで分類し,その結果を実証する。
  論文  参考訳（メタデータ） (2023-02-06T10:01:38Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Moderately-Balanced Representation Learning for Treatment Effects with Orthogonality Information [14.040918087553177]
  平均治療効果(ATE)を観測データから推定することは選択バイアスにより困難である。 本稿では,中等度にバランスの取れた表現学習フレームワークを提案する。 このフレームワークは、マルチタスク学習によるオーバーバランスから表現を保護する。
  論文  参考訳（メタデータ） (2022-09-05T13:20:12Z)
• Causal Inference from Small High-dimensional Datasets [7.1894784995284144]
  Causal-Batleは、小さな高次元データセットにおける治療効果を推定する手法である。 我々は、因果推論に伝達学習技術をもたらすアプローチを採用する。
  論文  参考訳（メタデータ） (2022-05-19T02:04:01Z)
• Learning Infomax and Domain-Independent Representations for Causal Effect Inference with Real-World Data [9.601837205635686]
  上記の問題を解くためにInfomaxとDomain-Independent Representationsを学習する。 提案手法は,因果関係の推論における最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-02-22T13:35:15Z)
• 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)
• CETransformer: Casual Effect Estimation via Transformer Based Representation Learning [17.622007687796756]
  データ駆動因果効果推定は、選択バイアスと反事実の欠如という2つの大きな課題に直面している。 これら2つの問題に対処するため、既存のアプローチのほとんどは、バランスの取れた表現を学ぶことで選択バイアスを減らす傾向にある。 本稿では,CETransformerモデルを用いて,変換器を用いた表現学習によるカジュアルエフェクト推定を提案する。
  論文  参考訳（メタデータ） (2021-07-19T09:39:57Z)
• Loss Bounds for Approximate Influence-Based Abstraction [81.13024471616417]
  影響に基づく抽象化は、システムの残りの部分が与える「影響」とともに、局所的なサブプロブレムをモデル化することでレバレッジを得ることを目的としている。 本稿では,理論的観点から,そのような手法の性能について考察する。 交叉エントロピーで訓練されたニューラルネットワークは、近似的な影響表現を学習するのに適していることを示す。
  論文  参考訳（メタデータ） (2020-11-03T15:33:10Z)
• Almost-Matching-Exactly for Treatment Effect Estimation under Network Interference [73.23326654892963]
  本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。 本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
  論文  参考訳（メタデータ） (2020-03-02T15:21:20Z)
• 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。