論文の概要: Causal Inference of General Treatment Effects using Neural Networks with
A Diverging Number of Confounders
- arxiv url: http://arxiv.org/abs/2009.07055v6
- Date: Wed, 7 Jun 2023 23:54:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 22:47:21.280879
- Title: Causal Inference 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を用いた一般治療効果の因果的推論
- Authors: Xiaohong Chen, Ying Liu, Shujie Ma, Zheng Zhang
- Abstract要約: 未確立の条件下では、共同設立者に対する調整は、共同設立者に対する結果および/または治療に関するニュアンス機能を見積もる必要がある。
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(ANN)を用いた一般的な治療効果の効率的な評価のための一般化された最適化フレームワークについて考察する。
この状況下での次元の呪いを軽減できることを示す。
- 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 unconfoundedness condition,
adjustment for confounders requires estimating the nuisance functions relating
outcome and/or treatment to confounders. This paper considers a generalized
optimization framework for efficient estimation of general treatment effects
using feedforward artificial neural networks (ANNs) when the number of
covariates is allowed to increase with the sample size. We estimate the
nuisance function by ANNs, and develop a new approximation error bound for the
ANNs approximators when the nuisance function belongs to a mixed Sobolev space.
We show that the ANNs can alleviate the curse of dimensionality under this
circumstance. We further establish the consistency and asymptotic normality of
the proposed treatment effects estimators, and apply a weighted bootstrap
procedure for conducting inference. 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。
非確立状態下では、共同設立者に対する調整は、共同設立者に対する結果および/または治療に関するニュアンス機能を見積もる必要がある。
本稿では,サンプルサイズに応じて共変量数が増加することを許された場合,feedforward artificial neural network (anns) を用いた汎用的治療効果の効率的な推定のための最適化フレームワークについて検討する。
我々は, ANNによるニュアンス関数を推定し, ニュアンス関数が混合ソボレフ空間に属する場合に, ANNの近似器に拘束される新しい近似誤差を開発する。
この状況下での次元の呪いを軽減できることを示す。
さらに,提案する治療効果推定器の整合性と漸近的正規性を確立し,重み付けブートストラップ法を適用して推論を行う。
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。