Fugu-MT 論文翻訳(概要): Balance Regularized Neural Network Models for Causal Effect Estimation

論文の概要: Balance Regularized Neural Network Models for Causal Effect Estimation

arxiv url: http://arxiv.org/abs/2011.11199v1
Date: Mon, 23 Nov 2020 04:03:55 GMT
ステータス: 処理完了
システム内更新日: 2022-09-22 01:27:42.077085
Title: Balance Regularized Neural Network Models for Causal Effect Estimation
Title（参考訳）: 因果効果推定のためのバランス正規化ニューラルネットワークモデル
Authors: Mehrdad Farajtabar, Andrew Lee, Yuanjian Feng, Vishal Gupta, Peter Dolan, Harish Chandran, Martin Szummer
Abstract要約: マルチヘッドニューラルネットワークアーキテクチャのバランス正則化を提唱する。さらに,コントロールグループにおけるコントロールアウトプットに類似した治療グループ内の個人に対するコントロールアウトプットの予測を促すことで,モデルをさらにレギュラー化する。
参考スコア（独自算出の注目度）: 16.8658322310041
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Estimating individual and average treatment effects from observational data is an important problem in many domains such as healthcare and e-commerce. In this paper, we advocate balance regularization of multi-head neural network architectures. Our work is motivated by representation learning techniques to reduce differences between treated and untreated distributions that potentially arise due to confounding factors. We further regularize the model by encouraging it to predict control outcomes for individuals in the treatment group that are similar to control outcomes in the control group. We empirically study the bias-variance trade-off between different weightings of the regularizers, as well as between inductive and transductive inference.
Abstract（参考訳）: 観察データから個人および平均的な治療効果を推定することは、医療やeコマースのような多くの領域において重要な問題である。本稿では,マルチヘッドニューラルネットワークアーキテクチャの均衡正則化を提唱する。我々の研究は、治療された分布と治療されていない分布の違いを減らすための表現学習技術に動機づけられている。さらに,コントロールグループにおけるコントロールアウトプットに類似した治療グループ内の個人に対するコントロールアウトプットの予測を促すことで,モデルをさらに調整する。正規化器の異なる重み付けと帰納的推論の間のバイアス分散トレードオフを実験的に検討する。

関連論文リスト

Conformal Diffusion Models for Individual Treatment Effect Estimation and Inference [6.406853903837333]
個々の治療効果は、個々のレベルで最もきめ細かい治療効果を提供する。本稿では,これらの複雑な課題に対処する共形拡散モデルに基づく新しいアプローチを提案する。
論文参考訳（メタデータ） (2024-08-02T21:35:08Z)
Model-Based Inference and Experimental Design for Interference Using Partial Network Data [4.76518127830168]
本稿では,部分的ネットワークデータを用いた治療効果調整の評価と推定のためのフレームワークを提案する。部分的ネットワークデータのみを用いて治療を割り当てる手順を説明する。本研究では,インドとマラウイにおける情報拡散と観測グラフのシミュレーション実験によるアプローチの有効性を検証した。
論文参考訳（メタデータ） (2024-06-17T17:27:18Z)
De-confounding Representation Learning for Counterfactual Inference on Continuous Treatment via Generative Adversarial Network [5.465397606401007]
実世界の因果推論タスクでは、二項処理変数よりも連続的な因果推論の方が一般的である。本稿では,連続処理の現実的結果推定のための分散表現学習(DRL)フレームワークを提案する。 DRLモデルは,非衝突表現の学習において優れた性能を示し,連続処理変数に対する最先端の反実的推論モデルよりも優れた性能を示す。
論文参考訳（メタデータ） (2023-07-24T08:56:25Z)
Analyzing the Effects of Handling Data Imbalance on Learned Features from Medical Images by Looking Into the Models [50.537859423741644]
不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
論文参考訳（メタデータ） (2022-04-04T09:38:38Z)
Covariate-Balancing-Aware Interpretable Deep Learning models for Treatment Effect Estimation [15.465045049754336]
本稿では, 高い無知性仮定の下での平均処理推定値のバイアスの上限について提案する。新たな付加型ニューラルネットワークアーキテクチャを活用することにより、目的関数としてこの上限を実装する。提案手法は、因果推論のためのベンチマークデータセットを再検討し、最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-03-07T07:42:40Z)
On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文参考訳（メタデータ） (2021-06-25T08:32:45Z)
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)
Learning Decomposed Representation for Counterfactual Inference [53.36586760485262]
観察データから治療効果を推定する際の根本的な問題は、共同設立者の識別とバランスである。これまでの方法の多くは、観察されたすべての事前処理変数を共同創設者として扱い、共同創設者と非共同創設者の識別をさらに無視することで、共同ファウンダーのバランスを実現していた。本研究では,1)共同創設者と非共同創設者の両方の表現を学習することで共同創設者を同定し,2)再重み付け手法のバランスをとるとともに,同時に,反実的推論による観察研究における治療効果を推定する相乗的学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-06-12T09:50:42Z)
Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-02-27T18:46:21Z)
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。