論文の概要: dame-flame: A Python Library Providing Fast Interpretable Matching for Causal Inference

• arxiv url: http://arxiv.org/abs/2101.01867v2
• Date: Thu, 14 Jan 2021 18:21:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-11 07:39:27.240559
• Title: dame-flame: A Python Library Providing Fast Interpretable Matching for Causal Inference
• Title（参考訳）: dame-flame: 因果推論の高速解釈可能なマッチングを提供するPythonライブラリ
• Authors: Neha R. Gupta (1), Vittorio Orlandi (1), Chia-Rui Chang (2), Tianyu Wang (1), Marco Morucci (1), Pritam Dey (1), Thomas J. Howell (1), Xian Sun (1), Angikar Ghosal (1), Sudeepa Roy (1), Cynthia Rudin (1), Alexander Volfovsky (1) ((1) Duke University, (2) Harvard University)
• Abstract要約: dame-flameは、観察因果推論のマッチングを実行するPythonパッケージである。 Dynamic almost Matching Exactly (DAME)とFast Large-Scale almost Matching Exactly (FLAME)アルゴリズムを実装している。
• 参考スコア（独自算出の注目度）: 42.73917222844387
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: dame-flame is a Python package for performing matching for observational causal inference on datasets containing discrete covariates. This package implements the Dynamic Almost Matching Exactly (DAME) and Fast Large-Scale Almost Matching Exactly (FLAME) algorithms, which match treatment and control units on subsets of the covariates. The resulting matched groups are interpretable, because the matches are made on covariates (rather than, for instance, propensity scores), and high-quality, because machine learning is used to determine which covariates are important to match on. DAME solves an optimization problem that matches units on as many covariates as possible, prioritizing matches on important covariates. FLAME approximates the solution found by DAME via a much faster backward feature selection procedure. The package provides several adjustable parameters to adapt the algorithms to specific applications, and can calculate treatment effects after matching. Descriptions of these parameters, details on estimating treatment effects, and further examples, can be found in the documentation at https://almost-matching-exactly.github.io/DAME-FLAME-Python-Package/
• Abstract（参考訳）: dame-flameは、離散共変量を含むデータセットで観測因果推論のマッチングを実行するpythonパッケージである。 このパッケージはDAME(Dynamic almost Matching Exactly)アルゴリズムとFLAME(Fast Large-Scale Near Matching Exactly)アルゴリズムを実装しており、コバリアイトのサブセットで処理と制御ユニットをマッチングする。 マッチしたグループは、マッチが共変量(例えば、確率スコアではなく)で作られ、高品質であることから解釈可能であり、機械学習は、マッチするべき共変量を決定するために使用される。 DAMEは、できるだけ多くの共変数上のユニットにマッチする最適化問題を解き、重要な共変数上のマッチを優先順位付けする。 FLAMEは、より高速な後方特徴選択手順により、DAMEが発見した解を近似する。 このパッケージは、アルゴリズムを特定のアプリケーションに適用するためのいくつかの調整可能なパラメータを提供し、マッチング後の治療効果を計算できる。 これらのパラメータの説明、治療効果の推定の詳細、その他の例は、https://almost-matching-exactly.github.io/DAME-FLAME-Python-Package/のドキュメントにある。

関連論文リスト

• Semiparametric conformal prediction [79.6147286161434]
  リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。 スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。 実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Semisupervised score based matching algorithm to evaluate the effect of public health interventions [3.221788913179251]
  1対1のマッチングアルゴリズムでは、マッチする多数の"ペア"は、大きなサンプルからの情報と多数のタスクの両方を意味する可能性がある。 本稿では,2次スコア関数 $S_beta(x_i,x_j)= betaT (x_i-x_j)(x_i-x_j)T beta$ に基づく新しい1対1マッチングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-19T02:24:16Z)
• PyBADS: Fast and robust black-box optimization in Python [11.4219428942199]
  PyBADSは、高速で堅牢なブラックボックス最適化のためのAdaptive Direct Search (BADS)アルゴリズムの実装である。 結果を実行するアルゴリズムを実行するための、使い易いPythonインターフェースとともに提供される。
  論文  参考訳（メタデータ） (2023-06-27T15:54:44Z)
• Efficient Approximate Kernel Based Spike Sequence Classification [56.2938724367661]
  SVMのような機械学習モデルは、シーケンスのペア間の距離/相似性の定義を必要とする。 厳密な手法により分類性能は向上するが、計算コストが高い。 本稿では,その予測性能を向上させるために,近似カーネルの性能を改善する一連の方法を提案する。
  論文  参考訳（メタデータ） (2022-09-11T22:44:19Z)
• Parallel Instance Filtering for Malware Detection [0.0]
  この研究は、Parallel Instance Filtering (PIF)と呼ばれる新しい並列インスタンス選択アルゴリズムを提案する。 このアルゴリズムの主な考え方は、データセット全体をカバーしているインスタンスの重複しないサブセットにデータセットを分割し、各サブセットにフィルタリングプロセスを適用することである。 我々はPIFアルゴリズムと、50,000の悪意あるサンプルからなる大規模なデータセット上で、最先端のインスタンス選択アルゴリズムを比較した。
  論文  参考訳（メタデータ） (2022-06-28T11:14:20Z)
• Scalable Cluster-Consistency Statistics for Robust Multi-Object Matching [16.899237833310064]
  動作パイプラインから構造中の劣化キーポイントマッチングを頑健にフィルタリングする新しい統計法を開発した。 統計は、破損したマッチよりも、破損したマッチに対してより小さな値を与えるように設計されている。 動作データセットからの合成および実構造に対する本手法の有効性を実証し,これらの課題における最先端の精度と速度を実現することを示す。
  論文  参考訳（メタデータ） (2022-01-13T05:33:18Z)
• Deep Probabilistic Graph Matching [72.6690550634166]
  本稿では,マッチング制約を伴わずに,元のQAPに適合する深層学習ベースのグラフマッチングフレームワークを提案する。 提案手法は,一般的な3つのベンチマーク(Pascal VOC,Wilow Object,SPair-71k)で評価され,すべてのベンチマークにおいて過去の最先端よりも優れていた。
  論文  参考訳（メタデータ） (2022-01-05T13:37:27Z)
• Predict then Interpolate: A Simple Algorithm to Learn Stable Classifiers [59.06169363181417]
  Predict then Interpolate (PI) は環境全体にわたって安定な相関関係を学習するためのアルゴリズムである。 正しい予測と間違った予測の分布を補間することにより、不安定な相関が消えるオラクル分布を明らかにすることができる。
  論文  参考訳（メタデータ） (2021-05-26T15:37:48Z)
• MALTS: Matching After Learning to Stretch [86.84454964051014]
  我々はマッチングのための解釈可能な距離メートル法を学習し、それによってかなり高い品質のマッチングが得られる。 フレキシブルな距離測定を学習する能力は、解釈可能で、条件付き平均治療効果の推定に有用である。
  論文  参考訳（メタデータ） (2018-11-18T22:29:59Z)

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。