論文の概要: Efficient Estimation of General Treatment Effects using Neural Networks
with A Diverging Number of Confounders
- arxiv url: http://arxiv.org/abs/2009.07055v3
- Date: Wed, 4 Nov 2020 03:56:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 06:32:08.299807
- Title: Efficient Estimation of General Treatment Effects using Neural Networks
with A Diverging Number of Confounders
- Title（参考訳）: 共同創設者数を分散させたニューラルネットワークによる総合的治療効果の効率的な推定
- Authors: Xiaohong Chen, Ying Liu, Shujie Ma, Zheng Zhang
- Abstract要約: 因果効果の推定は、行動科学、社会科学、経済科学、生物医学科学の主要な目的である。
従来のアプローチは、ニュアンス関数を近似するためにパラメトリックまたは非パラメトリックモデリング戦略に依存する。
本稿では、フィードフォワード人工ニューラルネットワークを用いた治療効果の効率的な評価のための統一的なアプローチを提案する。
- 参考スコア（独自算出の注目度）: 10.091113656304568
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The estimation of causal effects is a primary goal of behavioral, social,
economic and biomedical sciences. Under the unconfounded treatment assignment
condition, adjustment for confounders requires estimating the nuisance
functions relating outcome and/or treatment to confounders. The conventional
approaches rely on either a parametric or a nonparametric modeling strategy to
approximate the nuisance functions. Parametric methods can introduce serious
bias into casual effect estimation due to possible mis-specification, while
nonparametric estimation suffers from the "curse of dimensionality". This paper
proposes a new unified approach for efficient estimation of treatment effects
using feedforward artificial neural networks when the number of covariates is
allowed to increase with the sample size. We consider a general optimization
framework that includes the average, quantile and asymmetric least squares
treatment effects as special cases. Under this unified setup, we develop a
generalized optimization estimator for the treatment effect with the nuisance
function estimated by neural networks. We further establish the consistency and
asymptotic normality of the proposed estimator and show that it attains the
semiparametric efficiency bound. The proposed methods are illustrated via
simulation studies and a real data application.
- Abstract（参考訳）: 因果効果の推定は行動学、社会学、経済学、生物医学の第一目標である。
未確立の処置課題条件の下では、共同設立者に対する調整は、共同設立者に対する結果及び/または治療に関する迷惑関数を推定する必要がある。
従来の手法は、ニュアンス関数を近似するためにパラメトリックまたは非パラメトリックモデリング戦略に依存する。
パラメトリック法は、非パラメトリック推定が「次元の帰結」に苦しむ一方で、誤特定の可能性によるカジュアル効果推定に深刻なバイアスをもたらす可能性がある。
本稿では,共変量数がサンプルサイズに比例して増加する場合に,フィードフォワード人工ニューラルネットワークを用いて治療効果を効率的に推定するための新しい統一手法を提案する。
平均, 量子および非対称最小二乗処理効果を含む一般最適化フレームワークを特例として検討する。
この統合された設定の下で、ニューラルネットワークによって推定されるニュアンス関数による処理効果の一般化最適化推定器を開発する。
さらに,提案する推定器の整合性と漸近的正規性を確立し,半パラメトリック効率の限界に達することを示す。
提案手法はシミュレーション研究と実データ応用によって示される。
関連論文リスト
- Off-policy estimation with adaptively collected data: the power of online learning [20.023469636707635]
適応的に収集したデータを用いて, 処理効果の線形関数を推定する。
本稿では,オンライン学習を通じて治療効果の一連の推定を生成できる一般還元方式を提案する。
論文 参考訳（メタデータ） (2024-11-19T10:18:27Z) - Doubly Robust Causal Effect Estimation under Networked Interference via Targeted Learning [24.63284452991301]
ネットワーク干渉下での2つの頑健な因果効果推定器を提案する。
具体的には,対象とする学習手法をネットワーク干渉設定に一般化する。
我々は、同定された理論条件を目標損失に変換することによって、エンドツーエンドの因果効果推定器を考案する。
論文 参考訳（メタデータ） (2024-05-06T10:49:51Z) - Integrating Active Learning in Causal Inference with Interference: A
Novel Approach in Online Experiments [5.488412825534217]
ACI(Causal Inference with Interference)におけるアクティブラーニング手法について紹介する。
ACIはガウス過程を用いて、隣人の治療課題の連続的な測定の関数として直接的および余分な処理効果を柔軟にモデル化する。
データ要求の低減による精度の高い効果推定の実現可能性を示す。
論文 参考訳（メタデータ） (2024-02-20T04:13:59Z) - Individualized Multi-Treatment Response Curves Estimation using RBF-net with Shared Neurons [1.1119247609126184]
反応曲線の非パラメトリックモデリングは、共有された隠れニューロンを持つ放射基底関数(RBF)-ネットに依存している。
本手法をMIMICデータに適用し, 在宅中絶患者に対するICU滞在時間と12時間SOFAスコアに対する異なる治療方法の効果に関する興味深い知見を得た。
論文 参考訳（メタデータ） (2024-01-29T21:13:01Z) - 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) - Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。
オラクル形式は影響関数の一貫した近似であることを示す。
次に、平均二乗誤差の観点から総合収束解析を行う。
論文 参考訳（メタデータ） (2023-09-22T12:18:53Z) - Latent assimilation with implicit neural representations for unknown dynamics [6.682908186025083]
本研究は、LAINR(Latent Assimilation with Implicit Neural Representations)と呼ばれる新しい同化フレームワークを提案する。
Spherical Implicit Neural Representation (SINR)とデータ駆動型ニューラルネットワークの不確実性推定器を導入することにより、LAINRは同化過程における効率を向上させる。
論文 参考訳（メタデータ） (2023-09-18T08:33:23Z) - Generalization of Neural Combinatorial Solvers Through the Lens of
Adversarial Robustness [68.97830259849086]
ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。
本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。
他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。
驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
論文 参考訳（メタデータ） (2021-10-21T07:28:11Z) - 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) - Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond [69.83813153444115]
因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。
Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。
本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
論文 参考訳（メタデータ） (2019-12-30T14:42:52Z)
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。