Fugu-MT 論文翻訳(概要): RealCause: Realistic Causal Inference Benchmarking

論文の概要: RealCause: Realistic Causal Inference Benchmarking

arxiv url: http://arxiv.org/abs/2011.15007v2
Date: Mon, 29 Mar 2021 14:14:37 GMT
ステータス: 処理完了
システム内更新日: 2021-06-07 00:00:38.775438
Title: RealCause: Realistic Causal Inference Benchmarking
Title（参考訳）: RealCause: リアルな因果推論ベンチマーク
Authors: Brady Neal, Chin-Wei Huang, Sunand Raghupathi
Abstract要約: 因果推定器の理想的なベンチマークは、(a)因果効果の基底真理値と(b)実データを表すものである。フレキシブル・ジェネレーティブ・モデルを用いて、地平線と現実性の両方が得られるベンチマークを提供する。
参考スコア（独自算出の注目度）: 6.235713163013033
License: http://creativecommons.org/licenses/by/4.0/
Abstract: There are many different causal effect estimators in causal inference. However, it is unclear how to choose between these estimators because there is no ground-truth for causal effects. A commonly used option is to simulate synthetic data, where the ground-truth is known. However, the best causal estimators on synthetic data are unlikely to be the best causal estimators on real data. An ideal benchmark for causal estimators would both (a) yield ground-truth values of the causal effects and (b) be representative of real data. Using flexible generative models, we provide a benchmark that both yields ground-truth and is realistic. Using this benchmark, we evaluate over 1500 different causal estimators and provide evidence that it is rational to choose hyperparameters for causal estimators using predictive metrics.
Abstract（参考訳）: 因果推論には多くの異なる因果効果推定器がある。しかし、因果効果の根拠がないため、これらの推定器のどちらを選択するかは定かではない。一般的に用いられる選択肢は、地上構造が知られている合成データをシミュレートすることである。しかし、合成データに対する最良の因果推定器は、実際のデータに対する最良の因果推定器にはならない。因果推定器の理想的なベンチマークは、(a)因果効果の基底真理値と(b)実データを表すものである。フレキシブル・ジェネレーティブ・モデルを用いて、地道と現実性の両方をもたらすベンチマークを提供する。このベンチマークを用いて,1500以上の因果推定値を評価し,予測指標を用いて因果推定値のハイパーパラメータを選択することが合理的であることを示す。

関連論文リスト

Source-Free Domain-Invariant Performance Prediction [68.39031800809553]
本研究では,不確実性に基づく推定を主軸としたソースフリー手法を提案する。オブジェクト認識データセットのベンチマーク実験により、既存のソースベースの手法は、限られたソースサンプルの可用性で不足していることが判明した。提案手法は,現在の最先端のソースフリーおよびソースベース手法よりも優れており,ドメイン不変性能推定の有効性が確認されている。
論文参考訳（メタデータ） (2024-08-05T03:18:58Z)
Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文参考訳（メタデータ） (2023-06-09T08:30:51Z)
Hyperparameter Tuning and Model Evaluation in Causal Effect Estimation [2.7823528791601686]
本稿では,因果効果推定のためのモデル評価の4つの異なる側面間の相互作用について検討する。ほとんどの因果推定器は、十分に調整された場合、ほぼ同等の性能であることがわかった。我々は,現在,最先端の手順で提供されていない最適性能を解き放つために,因果モデル評価に関するさらなる研究を求めている。
論文参考訳（メタデータ） (2023-03-02T17:03:02Z)
Sequential Causal Effect Variational Autoencoder: Time Series Causal Link Estimation under Hidden Confounding [8.330791157878137]
観測データから因果関係を推定すると、因果関係は因果関係と誤解されることがある。本研究では,シークエンシャル因果効果変動オートエンコーダ (SCEVAE) を提案する。
論文参考訳（メタデータ） (2022-09-23T09:43:58Z)
Measuring Causal Effects of Data Statistics on Language Model's `Factual' Predictions [59.284907093349425]
大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
論文参考訳（メタデータ） (2022-07-28T17:36:24Z)
The Causal Learning of Retail Delinquency [13.866975878174207]
本稿では、貸主の信用決定に変化があった場合の借主の返済の期待差に焦点を当てる。本稿では,誤差を大幅に低減できる推定器を構築するための別の手法を提案する。因果効果が正しく説明されれば, 推定誤差の相対的低減は極めて有意であることがわかった。
論文参考訳（メタデータ） (2020-12-17T08:46:01Z)
DoWhy: An End-to-End Library for Causal Inference [16.764873959182765]
因果仮定で構築されたオープンソースのPythonライブラリであるDoWhyを,その第一級市民として説明する。 DoWhy氏は、あらゆる因果解析に共通する4つのステップのAPIを提示している。特にDoWhyは、プラセボテスト、ブートストラップテスト、未発見のコンバウンディングのテストなど、多数のチェックを実装している。
論文参考訳（メタデータ） (2020-11-09T06:22:11Z)
Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文参考訳（メタデータ） (2020-11-04T10:25:13Z)
Distributional robustness of K-class estimators and the PULSE [4.56877715768796]
古典的Kクラス推定器は、Kクラス推定器とアンカー回帰との接続を確立することにより、そのような最適性を満たすことを証明する。データ駆動型シミュレーションKクラス推定器として効率的に計算できることを示す。弱い楽器の設定を含むいくつかの設定があり、他の推定値よりも優れています。
論文参考訳（メタデータ） (2020-05-07T09:39:07Z)
Showing Your Work Doesn't Always Work [73.63200097493576]
『Show Your Work: Improved Reporting of Experimental Results』では、最高の学習モデルの有効性を報告している。解析的にそれらの推定器は偏りがあり、エラーを起こしやすい仮定を用いていることを示す。我々は、偏見のない代替案を導き、統計的シミュレーションから経験的な証拠で主張を裏付ける。
論文参考訳（メタデータ） (2020-04-28T17:59:01Z)
Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文参考訳（メタデータ） (2020-04-21T23:09:55Z)

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。