論文の概要: Generating Synthetic Text Data to Evaluate Causal Inference Methods
- arxiv url: http://arxiv.org/abs/2102.05638v1
- Date: Wed, 10 Feb 2021 18:53:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-11 14:38:08.025888
- Title: Generating Synthetic Text Data to Evaluate Causal Inference Methods
- Title(参考訳): 因果推論手法の評価のための合成テキストデータの生成
- Authors: Zach Wood-Doughty, Ilya Shpitser, Mark Dredze
- Abstract要約: 我々は、既存の世代モデルに適応して、既知の因果効果を持つ合成テキストデータセットを作成するためのフレームワークを開発する。
このフレームワークを用いて,テキストデータから因果効果を推定する4つの手法を実証的に比較した。
- 参考スコア(独自算出の注目度): 23.330942019150786
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Drawing causal conclusions from observational data requires making
assumptions about the true data-generating process. Causal inference research
typically considers low-dimensional data, such as categorical or numerical
fields in structured medical records. High-dimensional and unstructured data
such as natural language complicates the evaluation of causal inference
methods; such evaluations rely on synthetic datasets with known causal effects.
Models for natural language generation have been widely studied and perform
well empirically. However, existing methods not immediately applicable to
producing synthetic datasets for causal evaluations, as they do not allow for
quantifying a causal effect on the text itself. In this work, we develop a
framework for adapting existing generation models to produce synthetic text
datasets with known causal effects. We use this framework to perform an
empirical comparison of four recently-proposed methods for estimating causal
effects from text data. We release our code and synthetic datasets.
- Abstract(参考訳): 観測データから因果的結論を引き出すには、真のデータ生成プロセスについて仮定する必要がある。
因果推論研究は一般に、構造化医療記録における分類学や数値学といった低次元のデータを考える。
自然言語などの高次元および非構造化データは因果推論法の評価を複雑にし、これらの評価は既知の因果効果を持つ合成データセットに依存する。
自然言語生成のモデルは広く研究され、経験的によく機能している。
しかし、既存の手法は、テキスト自体に対する因果効果を定量化できないため、因果評価のための合成データセットの作成に直ちには適用できない。
本研究では,既存の世代モデルに適応し,因果効果のある合成テキストデータセットを作成するためのフレームワークを開発する。
このフレームワークを用いて,テキストデータから因果効果を推定する4つの手法を実証的に比較した。
コードと合成データセットをリリースします。
関連論文リスト
- Boosting Data Analytics With Synthetic Volume Expansion [3.568650932986342]
本稿では,Synthetic Data Generation for Analyticsフレームワークを紹介する。
このフレームワークは、高度なモデルによって生成された高忠実な合成データに統計的手法を用いる。
このフレームワークで重要な発見は世代的効果である。
論文 参考訳(メタデータ) (2023-10-27T01:57:27Z) - Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A
Comprehensive Benchmark [56.8042116967334]
合成データは、機械学習モデルのトレーニングの代替となる。
合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。
本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
論文 参考訳(メタデータ) (2023-10-25T20:32:02Z) - Utility Theory of Synthetic Data Generation [17.826241775212786]
本研究の目的は,一般計量に基づく合成アルゴリズムの有用性を定量的に評価することである。
この計量は、合成データセットと元のデータセットで訓練されたモデル間の一般化の絶対差として定義される。
また,合成データを用いたモデルの一般化性能のランキングが元のデータと一致するように,合成データアルゴリズムの十分な条件を確立する。
論文 参考訳(メタデータ) (2023-05-17T07:49:16Z) - Boosting Synthetic Data Generation with Effective Nonlinear Causal
Discovery [11.81479419498206]
ソフトウェアテスト、データプライバシ、不均衡学習、人工知能の説明では、もっともらしいデータサンプルを生成することが不可欠である。
データ生成に広く使用されるアプローチの一般的な前提は、機能の独立性である。
本稿では,変数間の非線形因果関係を発見し,生成時に利用する合成データセット生成手法を提案する。
論文 参考訳(メタデータ) (2023-01-18T10:54:06Z) - CausalDialogue: Modeling Utterance-level Causality in Conversations [83.03604651485327]
クラウドソーシングを通じて、CausalDialogueという新しいデータセットをコンパイルし、拡張しました。
このデータセットは、有向非巡回グラフ(DAG)構造内に複数の因果効果対を含む。
ニューラル会話モデルの訓練における発話レベルにおける因果性の影響を高めるために,Exponential Average Treatment Effect (ExMATE) と呼ばれる因果性強化手法を提案する。
論文 参考訳(メタデータ) (2022-12-20T18:31:50Z) - Generating Realistic Synthetic Relational Data through Graph Variational
Autoencoders [47.89542334125886]
変動型オートエンコーダフレームワークとグラフニューラルネットワークを組み合わせることで,リアルな合成関係データベースを生成する。
結果は、実際のデータベースの構造が結果の合成データセットに正確に保存されていることを示している。
論文 参考訳(メタデータ) (2022-11-30T10:40:44Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳(メタデータ) (2022-05-25T17:37:08Z) - An Empirical Investigation of Commonsense Self-Supervision with
Knowledge Graphs [67.23285413610243]
大規模知識グラフから抽出した情報に基づく自己監督は、言語モデルの一般化を改善することが示されている。
本研究では,言語モデルに適用可能な合成データを生成するための知識サンプリング戦略とサイズの影響について検討する。
論文 参考訳(メタデータ) (2022-05-21T19:49:04Z) - Combining Observational and Randomized Data for Estimating Heterogeneous
Treatment Effects [82.20189909620899]
不均一な治療効果を推定することは、多くの領域において重要な問題である。
現在、現存するほとんどの作品は観測データにのみ依存している。
本稿では、大量の観測データと少量のランダム化データを組み合わせることで、不均一な処理効果を推定する。
論文 参考訳(メタデータ) (2022-02-25T18:59:54Z) - Evaluating Causal Inference Methods [0.4588028371034407]
我々は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入する。
我々の研究は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入している。
論文 参考訳(メタデータ) (2022-02-09T00:21:22Z) - Causal-TGAN: Generating Tabular Data Using Causal Generative Adversarial
Networks [7.232789848964222]
因果モデルCausal Tabular Generative Neural Network (Causal-TGAN) を提案し,合成データを生成する。
シミュレーションデータセットと実データセットの両方の実験により,本手法の優れた性能が示された。
論文 参考訳(メタデータ) (2021-04-21T17:59:41Z)
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。