論文の概要: Confounding Feature Acquisition for Causal Effect Estimation

• arxiv url: http://arxiv.org/abs/2011.08753v1
• Date: Tue, 17 Nov 2020 16:28:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-24 16:01:53.900688
• Title: Confounding Feature Acquisition for Causal Effect Estimation
• Title（参考訳）: 因果効果推定のための特徴獲得
• Authors: Shirly Wang, Seung Eun Yi, Shalmali Joshi, Marzyeh Ghassemi
• Abstract要約: 我々は,この課題を因果推論のための特徴獲得の問題として捉えている。 我々のゴールは、効率的な平均治療効果の推定につながるサンプルにおいて、行方不明の共同創業者の固定的で既知のサブセットの取得値を優先順位付けすることです。
• 参考スコア（独自算出の注目度）: 6.174721516017138
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable treatment effect estimation from observational data depends on the availability of all confounding information. While much work has targeted treatment effect estimation from observational data, there is relatively little work in the setting of confounding variable missingness, where collecting more information on confounders is often costly or time-consuming. In this work, we frame this challenge as a problem of feature acquisition of confounding features for causal inference. Our goal is to prioritize acquiring values for a fixed and known subset of missing confounders in samples that lead to efficient average treatment effect estimation. We propose two acquisition strategies based on i) covariate balancing (CB), and ii) reducing statistical estimation error on observed factual outcome error (OE). We compare CB and OE on five common causal effect estimation methods, and demonstrate improved sample efficiency of OE over baseline methods under various settings. We also provide visualizations for further analysis on the difference between our proposed methods.
• Abstract（参考訳）: 観測データからの信頼性の高い治療効果の推定は、すべての統合情報の可用性に依存する。 多くの研究は、観測データから治療効果の推定を目標としているが、共創者に関するより多くの情報を集めることは、しばしばコストや時間を要するという、相反する変数不足の設定においては、比較的少ない作業である。 本研究では,この課題を,因果推論のための統合特徴の獲得問題として捉えた。 私たちの目標は、効率的な平均治療効果の推定につながるサンプルにおいて、固定的で既知の共同創設者のサブセットの値の獲得を優先することにあります。 我々は2つの買収戦略を提案する。 一 共変量バランス(CB)及び 二 実測結果誤差(oe)における統計的推定誤差の低減 cb と oe を5つの共通因果効果推定法で比較し,様々な条件下でのベースライン法よりも oe のサンプル効率が改善されたことを示す。 また,提案手法の違いを解析するための可視化も提供する。

関連論文リスト

• Targeted Machine Learning for Average Causal Effect Estimation Using the Front-Door Functional [3.0232957374216953]
  結果に対する治療の平均因果効果(ACE)を評価することは、しばしば観察研究における要因の相違によって引き起こされる課題を克服することを伴う。 本稿では,目標最小損失推定理論に基づいて,正面基準の新たな推定手法を提案する。 本研究では,早期学業成績が今後の年収に与える影響を明らかにするために,これらの推定装置の適用性を示す。
  論文  参考訳（メタデータ） (2023-12-15T22:04:53Z)
• Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation [137.3520153445413]
  下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。 我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。 研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
  論文  参考訳（メタデータ） (2023-07-11T02:58:10Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
  ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。 この課題に対処するための新しいクロスバリデーションのような方法論を提供する。 本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
  論文  参考訳（メタデータ） (2021-12-14T17:53:01Z)
• A Two-Stage Feature Selection Approach for Robust Evaluation of Treatment Effects in High-Dimensional Observational Data [1.4710887888397084]
  我々は,OAENet(Outcome Adaptive Elastic Net)と呼ばれる新しい2段階特徴選択手法を提案する。 OAENetは、マッチング技術を用いて堅牢な因果推論決定を行うように設計されている。 シミュレーションデータに関する数値実験により、OAENetは最先端の手法を大きく上回っていることが示された。
  論文  参考訳（メタデータ） (2021-11-27T02:54:30Z)
• 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)
• Causal Effect Estimation using Variational Information Bottleneck [19.6760527269791]
  因果推論とは、介入が適用されるときの因果関係における因果効果を推定することである。 変分情報ボトルネック(CEVIB)を用いて因果効果を推定する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T13:46:12Z)
• Doing Great at Estimating CATE? On the Neglected Assumptions in Benchmark Comparisons of Treatment Effect Estimators [91.3755431537592]
  もっとも単純な設定であっても、無知性仮定に基づく推定は誤解を招く可能性があることを示す。 異種処理効果評価のための機械学習ベンチマークデータセットを2つ検討した。 ベンチマークデータセットの固有の特性が、他のものよりもいくつかのアルゴリズムを好んでいる点を強調します。
  論文  参考訳（メタデータ） (2021-07-28T13:21:27Z)
• Counterfactual Propagation for Semi-Supervised Individual Treatment Effect Estimation [21.285425135761795]
  個別治療効果(英: individual treatment effect、ITE)とは、特定の標的に特定の行動をとる結果の期待された改善を示す。 本研究では、より容易に利用可能な未ラベルのインスタンスを利用する半教師付きITE推定問題について考察する。 本稿では,最初の半教師付きITT推定法である反実伝搬法を提案する。
  論文  参考訳（メタデータ） (2020-05-11T13:32:38Z)
• Towards unique and unbiased causal effect estimation from data with hidden variables [0.0]
  観測データから因果効果を推定することは重要であるが、難しい課題である。 本研究では,隠れ変数を持つデータから因果効果のユニークかつ偏りのない推定を行う手法を提案する。 定理に基づいて、隠れ変数を持つデータから適切な調整セットを見つけるための2つのアルゴリズムが提案されている。
  論文  参考訳（メタデータ） (2020-02-24T06:42:32Z)
• 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。