論文の概要: Invariant Representation Learning for Treatment Effect Estimation

• arxiv url: http://arxiv.org/abs/2011.12379v2
• Date: Tue, 27 Jul 2021 06:45:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 12:35:43.103686
• Title: Invariant Representation Learning for Treatment Effect Estimation
• Title（参考訳）: 治療効果推定のための不変表現学習
• Authors: Claudia Shi, Victor Veitch, David Blei
• Abstract要約: ほぼ不変な因果推定(NICE)を開発する。 NICEは、不変リスク最小化(IRM) [Arj19] を使用して、ある仮定の下では、悪い制御を除去するが、相反を調整するための十分な情報を保持する、共変量の表現を学習する。 我々は合成データと半合成データの両方でNICEを評価する。
• 参考スコア（独自算出の注目度）: 12.269209356327526
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The defining challenge for causal inference from observational data is the presence of `confounders', covariates that affect both treatment assignment and the outcome. To address this challenge, practitioners collect and adjust for the covariates, hoping that they adequately correct for confounding. However, including every observed covariate in the adjustment runs the risk of including `bad controls', variables that induce bias when they are conditioned on. The problem is that we do not always know which variables in the covariate set are safe to adjust for and which are not. To address this problem, we develop Nearly Invariant Causal Estimation (NICE). NICE uses invariant risk minimization (IRM) [Arj19] to learn a representation of the covariates that, under some assumptions, strips out bad controls but preserves sufficient information to adjust for confounding. Adjusting for the learned representation, rather than the covariates themselves, avoids the induced bias and provides valid causal inferences. We evaluate NICE on both synthetic and semi-synthetic data. When the covariates contain unknown collider variables and other bad controls, NICE performs better than adjusting for all the covariates.
• Abstract（参考訳）: 観察データから因果推論を行うための決定的な課題は、治療課題と結果の両方に影響を及ぼす‘共同設立者’の存在である。 この課題に対処するため、実践者は共変量の収集と調整を行い、共起の適切な修正を期待する。 しかし、全ての観測された共変量を含む調整は、条件づけられたときにバイアスを引き起こす変数である「悪い制御」を含むリスクを負う。 問題は、共変集合のどの変数が安全に調整でき、どの変数がそうでないかを常に知るとは限らないことである。 この問題に対処するため,NICE (Nearly Invariant Causal Estimation) を開発した。 nice は invariant risk minimization (irm) [arj19] を使ってコ変数の表現を学習し、いくつかの仮定では、悪い制御を取り除きながら、結合のために調整するのに十分な情報を保持する。 学習された表現の調整は、共変量自身ではなく、誘導バイアスを避け、正当な因果推論を提供する。 我々は合成データと半合成データの両方でNICEを評価する。 コヴァリエートが未知の衝突型変数やその他の悪い制御を含む場合、全てのコヴァリエートを調節するよりも優れた性能を発揮する。

関連論文リスト

• Local Learning for Covariate Selection in Nonparametric Causal Effect Estimation with Latent Variables [13.12743473333296]
  非実験データから因果効果を推定することは、科学の多くの分野における根本的な問題である。 非パラメトリック因果効果推定における共変量選択のための新しい局所学習手法を提案する。 我々は、合成データと実世界のデータの両方に関する広範な実験を通じて、アルゴリズムを検証する。
  論文  参考訳（メタデータ） (2024-11-25T12:08:54Z)
• 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)
• TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
  奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。 近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。 1)予測共分散は予測平均のランダム性を真に捉えているか? その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
  論文  参考訳（メタデータ） (2023-10-29T09:54:03Z)
• Robust Learning via Conditional Prevalence Adjustment [7.480241867887245]
  ディープラーニングモデルは、目に見えない場所で破滅的に失敗する可能性がある。 本稿では,CoPA(Conditional Prevalence-Adjustment)という手法を提案する。
  論文  参考訳（メタデータ） (2023-10-24T12:13:49Z)
• Orthogonal SVD Covariance Conditioning and Latent Disentanglement [65.67315418971688]
  SVDメタ層をニューラルネットワークに挿入すると、共分散が不調和になる。 我々は最寄り直交勾配(NOG)と最適学習率(OLR)を提案する。 視覚認識実験は,共分散条件と一般化を同時に改善できることを実証した。
  論文  参考訳（メタデータ） (2022-12-11T20:31:31Z)
• Stable Learning via Sparse Variable Independence [41.632242102167844]
  共変量シフト一般化問題に対するSVI(Sparse Variable Independence)を提案する。 有限サンプル設定下でのサンプル再加重の不完全性を補うために、スペーサ性制約を導入する。 合成データセットと実世界のデータセットの両方の実験は、SVIの改良を実証している。
  論文  参考訳（メタデータ） (2022-12-02T05:59:30Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• Conditional Contrastive Learning with Kernel [107.5989144369343]
  カーネルを用いた条件付きコントラスト学習(CCL-K) 本稿では,既存の条件付きコントラスト学習を,不十分なデータ問題を緩和する代替形式に変換するカーネルを用いた条件付きコントラスト学習を提案する。 CCL-Kが最先端のベースラインより優れていることを示すために,弱教師付き,公正,強負の対照的な学習を用いて実験を行った。
  論文  参考訳（メタデータ） (2022-02-11T05:37:54Z)
• Controlling for multiple covariates [0.0]
  統計学における根本的な問題は、サブ集団のメンバーが達成した結果を比較することである。 比較は、特定の特徴に応じて類似した個人に対して別々に行う場合に最も理にかなっている。
  論文  参考訳（メタデータ） (2021-12-01T17:37:36Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。