論文の概要: Counterfactual Representation Learning with Balancing Weights

• arxiv url: http://arxiv.org/abs/2010.12618v2
• Date: Wed, 24 Feb 2021 03:01:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 22:00:02.008499
• Title: Counterfactual Representation Learning with Balancing Weights
• Title（参考訳）: バランスウェイトを用いた対実表現学習
• Authors: Serge Assaad, Shuxi Zeng, Chenyang Tao, Shounak Datta, Nikhil Mehta, Ricardo Henao, Fan Li, Lawrence Carin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 74.67296491574318
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A key to causal inference with observational data is achieving balance in predictive features associated with each treatment type. Recent literature has explored representation learning to achieve this goal. In this work, we discuss the pitfalls of these strategies - such as a steep trade-off between achieving balance and predictive power - and present a remedy via the integration of balancing weights in causal learning. Specifically, we theoretically link balance to the quality of propensity estimation, emphasize the importance of identifying a proper target population, and elaborate on the complementary roles of feature balancing and weight adjustments. Using these concepts, we then develop an algorithm for flexible, scalable and accurate estimation of causal effects. Finally, we show how the learned weighted representations may serve to facilitate alternative causal learning procedures with appealing statistical features. We conduct an extensive set of experiments on both synthetic examples and standard benchmarks, and report encouraging results relative to state-of-the-art baselines.
• Abstract（参考訳）: 観察データを用いた因果推論の鍵は、各治療型に関連する予測特徴のバランスをとることである。 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。 本稿では,これらの戦略の落とし穴について論じる。例えば,バランスと予測力の急激なトレードオフや,因果学習における重みのバランス統合による救済について述べる。 具体的には、理論上、バランスと確率推定の質を結びつけ、適切なターゲット人口を特定することの重要性を強調し、特徴バランスと重量調整の相補的な役割を詳述する。 これらの概念を用いて,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する。 最後に,重み付け表現の学習が,統計的特徴に訴える代替因果学習の促進にどのように役立つかを示す。 我々は、合成例と標準ベンチマークの両方について広範な実験を行い、最先端のベースラインに対する奨励的な結果を報告する。

関連論文リスト

• Visual Data Diagnosis and Debiasing with Concept Graphs [50.84781894621378]
  視覚データセットにおける概念共起バイアスの診断と緩和のためのフレームワークであるConBiasを提案する。 このような不均衡を緩和し,下流タスクの性能向上につながることを示す。
  論文  参考訳（メタデータ） (2024-09-26T16:59:01Z)
• Towards Representation Learning for Weighting Problems in Design-Based Causal Inference [1.1060425537315088]
  本稿では,有望な理論的特性を維持しつつ,フレキシブルな表現を学習するエンド・ツー・エンド推定手法を提案する。 このアプローチは、様々な共通因果推論タスクにおいて競合することを示す。
  論文  参考訳（メタデータ） (2024-09-24T19:16:37Z)
• Learning Confidence Bounds for Classification with Imbalanced Data [42.690254618937196]
  本稿では,学習理論と集中不等式を利用して従来のソリューションの欠点を克服する新しい枠組みを提案する。 本手法は, クラスごとに異なる不均衡度に効果的に適応できるため, より堅牢で信頼性の高い分類結果が得られる。
  論文  参考訳（メタデータ） (2024-07-16T16:02:27Z)
• Debiased Collaborative Filtering with Kernel-Based Causal Balancing [28.89858891537214]
  本稿では,カーネル関数を適応的にバランスさせ,提案手法の一般化誤差境界を理論的に解析するアルゴリズムを提案する。 提案手法の有効性を実証するための広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-04-30T14:43:51Z)
• Survey on Imbalanced Data, Representation Learning and SEP Forecasting [0.9065034043031668]
  ディープラーニング手法は、回帰、分類、予測といった様々なデータ駆動タスクを著しく進歩させてきた。 これらの進歩の多くは、トレーニングデータセットがそれらが含むターゲットに対してバランスが取れているという強い前提に基づいているが、しばしば非現実的な仮定に基づいている。 この不整合は、データが頻繁に不均衡である現実世界の状況と混同され、実用的な応用においてそのようなモデルの有効性を損なう。 我々は、実世界の不均衡をよりよく近似するために、表現学習のような戦略を用いて、バランスの取れたデータ前提から離れる深層学習の成果を提示する。
  論文  参考訳（メタデータ） (2023-10-11T15:38:53Z)
• Towards Balanced Learning for Instance Recognition [149.76724446376977]
  本稿では,インスタンス認識のためのバランス学習のためのフレームワークであるLibra R-CNNを提案する。 IoUバランスのサンプリング、バランスの取れた特徴ピラミッド、客観的再重み付けをそれぞれ統合し、サンプル、特徴、客観的レベルの不均衡を低減します。
  論文  参考訳（メタデータ） (2021-08-23T13:40:45Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  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。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Precise Tradeoffs in Adversarial Training for Linear Regression [55.764306209771405]
  本稿では,ガウス的特徴を伴う線形回帰の文脈における対人訓練の役割を,正確かつ包括的に理解する。 我々は,同時代のミニマックス対逆訓練手法によって達成された標準/ロバスト精度とそれに対応するトレードオフを正確に特徴づける。 逆行訓練アルゴリズムの理論は、様々な要因(トレーニングデータのサイズや品質、モデルの過度化など)がこれらの2つの競合するアキュラシー間のトレードオフにどのように影響するかを厳密に研究する上で役立ちます。
  論文  参考訳（メタデータ） (2020-02-24T19:01:47Z)

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。