論文の概要: Targeted VAE: Variational and Targeted Learning for Causal Inference
- arxiv url: http://arxiv.org/abs/2009.13472v5
- Date: Sat, 15 Jan 2022 08:15:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 20:38:59.673131
- Title: Targeted VAE: Variational and Targeted Learning for Causal Inference
- Title（参考訳）: ターゲットVAE:因果推論のための変分学習と目標学習
- Authors: Matthew James Vowels and Necati Cihan Camgoz and Richard Bowden
- Abstract要約: 観測データによる因果推論は、幅広いタスクで非常に有用である。
観察データを用いた因果推論の実施には,2つの重要な課題がある。
構造化推論とターゲット学習を組み合わせることで、これらの2つの課題に対処する。
- 参考スコア（独自算出の注目度）: 39.351088248776435
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Undertaking causal inference with observational data is incredibly useful
across a wide range of tasks including the development of medical treatments,
advertisements and marketing, and policy making. There are two significant
challenges associated with undertaking causal inference using observational
data: treatment assignment heterogeneity (\textit{i.e.}, differences between
the treated and untreated groups), and an absence of counterfactual data
(\textit{i.e.}, not knowing what would have happened if an individual who did
get treatment, were instead to have not been treated). We address these two
challenges by combining structured inference and targeted learning. In terms of
structure, we factorize the joint distribution into risk, confounding,
instrumental, and miscellaneous factors, and in terms of targeted learning, we
apply a regularizer derived from the influence curve in order to reduce
residual bias. An ablation study is undertaken, and an evaluation on benchmark
datasets demonstrates that TVAE has competitive and state of the art
performance.
- Abstract（参考訳）: 観察データによる因果推論の実施は、医療、広告、マーケティング、政策作成など、幅広いタスクにおいて極めて有用である。
観察データを用いた因果推論の実施には2つの重要な課題がある: 治療代行不均一性 (\textit{i.e.}, 治療群と未治療群の違い) および反ファクトデータの欠如 (治療を受けた個人が治療を受けなかった場合、何が起こったか分からない) である。
構造化推論と目標学習を組み合わせることで,この2つの課題に対処した。
構造面では, 関節分布をリスク, コンバウンディング, インストゥルメンタル, 雑多な要因に分解し, 目標学習においては, 残留バイアスを低減するために, 影響曲線から導出した正則化器を適用する。
アブレーション調査を行い、ベンチマークデータセットの評価により、TVAEが競争力を持ち、アートパフォーマンスの状態を実証した。
関連論文リスト
- Practical Guide for Causal Pathways and Sub-group Disparity Analysis [1.8974791957167259]
我々は因果不均質分析を用いて、感度特性と結果の間の因果関係を定量化し、検証する。
当社の2段階の調査は、レースがセンシティブな属性として機能するデータセットに焦点を当てています。
本研究は,ML分類誤差が最も大きい部分群が,最も影響を受けやすい部分群であることが実証された。
論文 参考訳（メタデータ） (2024-07-02T22:51:01Z) - Causal Inference from Text: Unveiling Interactions between Variables [20.677407402398405]
既存の方法は、治療と結果の両方に影響を及ぼす共変量しか説明できない。
このバイアスは、衝突しない共変量について十分に考慮されていないことから生じる。
本研究では,変数間の相互作用を明らかにすることにより,バイアスを軽減することを目的とする。
論文 参考訳（メタデータ） (2023-11-09T11:29:44Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳（メタデータ） (2023-06-01T10:51:58Z) - 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) - On Disentangled Representations Learned From Correlated Data [59.41587388303554]
相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。
本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。
また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
論文 参考訳（メタデータ） (2020-06-14T12:47:34Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z) - 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。