論文の概要: Double Robust Representation Learning for Counterfactual Prediction
- arxiv url: http://arxiv.org/abs/2010.07866v2
- Date: Fri, 16 Oct 2020 21:32:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 03:15:25.230487
- Title: Double Robust Representation Learning for Counterfactual Prediction
- Title（参考訳）: 反実予測のための二重ロバスト表現学習
- Authors: Shuxi Zeng, Serge Assaad, Chenyang Tao, Shounak Datta, Lawrence Carin,
Fan Li
- Abstract要約: そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
- 参考スコア（独自算出の注目度）: 68.78210173955001
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal inference, or counterfactual prediction, is central to decision making
in healthcare, policy and social sciences. To de-bias causal estimators with
high-dimensional data in observational studies, recent advances suggest the
importance of combining machine learning models for both the propensity score
and the outcome function. We propose a novel scalable method to learn
double-robust representations for counterfactual predictions, leading to
consistent causal estimation if the model for either the propensity score or
the outcome, but not necessarily both, is correctly specified. Specifically, we
use the entropy balancing method to learn the weights that minimize the
Jensen-Shannon divergence of the representation between the treated and control
groups, based on which we make robust and efficient counterfactual predictions
for both individual and average treatment effects. We provide theoretical
justifications for the proposed method. The algorithm shows competitive
performance with the state-of-the-art on real world and synthetic data.
- Abstract（参考訳）: 因果推論は、医療、政策、社会科学における意思決定の中心である。
観察研究において,高次元データを用いた因果推定を非バイアス化するために,最近の進歩は,傾向スコアと結果関数の両方に機械学習モデルを組み合わせることの重要性を示唆している。
提案手法は,正当性スコアと結果のどちらかのモデルが正しく指定されていれば,因果推定が一貫した因果推定となるような,対実予測のための2つのロバスト表現を学習する,新しいスケーラブルな手法を提案する。
具体的には、エントロピーバランス法を用いて、処理群と制御群の間の表現のジェンセン=シャノン分散を最小限に抑える重みを学習し、個々の処理効果と平均処理効果の両方に対して堅牢かつ効率的な反実的予測を行う。
提案手法の理論的正当性について述べる。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
関連論文リスト
- Zero-Shot Uncertainty Quantification using Diffusion Probabilistic Models [7.136205674624813]
拡散モデルを用いて異なる回帰問題の解法におけるアンサンブル法の有効性を評価する。
本研究では,様々な回帰タスクにおいて,アンサンブル手法がモデル予測精度を一貫して向上することを実証する。
本研究は,拡散アンサンブルの有用性を包括的に把握し,回帰問題解決における拡散モデルを用いた実践者にとって有用な参考となる。
論文 参考訳（メタデータ） (2024-08-08T18:34:52Z) - CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
本研究は認知拡散確率モデル(CogDPM)を紹介する。
CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。
我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
論文 参考訳（メタデータ） (2024-05-03T15:54:50Z) - Prediction-Powered Inference [68.97619568620709]
予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。
このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。
予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
論文 参考訳（メタデータ） (2023-01-23T18:59:28Z) - Benign-Overfitting in Conditional Average Treatment Effect Prediction
with Linear Regression [14.493176427999028]
線形回帰モデルを用いて条件平均処理効果(CATE)の予測における良性過剰適合理論について検討した。
一方,IPW-learnerは確率スコアが分かっていればリスクをゼロに収束させるが,T-learnerはランダムな割り当て以外の一貫性を達成できないことを示す。
論文 参考訳（メタデータ） (2022-02-10T18:51:52Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳（メタデータ） (2021-06-22T18:29:58Z) - Counterfactual Representation Learning with Balancing Weights [74.67296491574318]
観察データによる因果推論の鍵は、それぞれの治療タイプに関連する予測的特徴のバランスを達成することである。
近年の文献では、この目標を達成するために表現学習を探求している。
因果効果を柔軟かつスケーラブルかつ正確に推定するアルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-10-23T19:06:03Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳（メタデータ） (2020-06-30T15:49:05Z) - A comprehensive study on the prediction reliability of graph neural
networks for virtual screening [0.0]
本稿では,モデルアーキテクチャ,正規化手法,損失関数が分類結果の予測性能および信頼性に与える影響について検討する。
その結果,高い成功率を達成するためには,正則化と推論手法の正しい選択が重要であることが明らかとなった。
論文 参考訳（メタデータ） (2020-03-17T10:13:31Z)
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。