論文の概要: Estimating Average Treatment Effects with Support Vector Machines

• arxiv url: http://arxiv.org/abs/2102.11926v1
• Date: Tue, 23 Feb 2021 20:22:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-25 13:22:55.318028
• Title: Estimating Average Treatment Effects with Support Vector Machines
• Title（参考訳）: 支持ベクトルマシンによる平均治療効果の推定
• Authors: Alexander Tarr and Kosuke Imai
• Abstract要約: サポートベクターマシン(SVM)は、機械学習文献で最も人気のある分類アルゴリズムの1つです。 我々はsvmをカーネルベースの重み付け手順として適用し,治療群と制御群の最大平均差を最小化する。 このトレードオフから生じる因果効果推定のバイアスを特徴づけ、提案されたSVM手順と既存のカーネルバランシング手法を結びつけます。
• 参考スコア（独自算出の注目度）: 77.34726150561087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Support vector machine (SVM) is one of the most popular classification algorithms in the machine learning literature. We demonstrate that SVM can be used to balance covariates and estimate average causal effects under the unconfoundedness assumption. Specifically, we adapt the SVM classifier as a kernel-based weighting procedure that minimizes the maximum mean discrepancy between the treatment and control groups while simultaneously maximizing effective sample size. We also show that SVM is a continuous relaxation of the quadratic integer program for computing the largest balanced subset, establishing its direct relation to the cardinality matching method. Another important feature of SVM is that the regularization parameter controls the trade-off between covariate balance and effective sample size. As a result, the existing SVM path algorithm can be used to compute the balance-sample size frontier. We characterize the bias of causal effect estimation arising from this trade-off, connecting the proposed SVM procedure to the existing kernel balancing methods. Finally, we conduct simulation and empirical studies to evaluate the performance of the proposed methodology and find that SVM is competitive with the state-of-the-art covariate balancing methods.
• Abstract（参考訳）: サポートベクターマシン(SVM)は、機械学習文献で最も人気のある分類アルゴリズムの1つです。 我々は,SVMを用いて共変量と平均因果効果のバランスを推定できることを実証した。 具体的には、SVM分類器をカーネルベース重み付け法として適用し、有効サンプルサイズを最大化しつつ、処理群と制御群との最大平均誤差を最小化する。 また、SVMは最大平衡部分集合を計算するための二次整数プログラムの連続緩和であり、カーディナリティマッチング法との直接的な関係を確立していることを示した。 SVMのもう一つの重要な特徴は、正規化パラメータが共変バランスと有効なサンプルサイズの間のトレードオフを制御することである。 その結果、既存のSVMパスアルゴリズムを用いて、バランスサンプルサイズのフロンティアを計算することができる。 このトレードオフから生じる因果効果推定のバイアスを特徴づけ、提案されたSVM手順と既存のカーネルバランシング手法を結びつけます。 最後に,提案手法の性能を評価するためにシミュレーションと実験を行い,svmが最先端の共変量バランス手法と競合していることを見いだす。

関連論文リスト

• Methods for Class-Imbalanced Learning with Support Vector Machines: A Review and an Empirical Evaluation [22.12895887111828]
  クラス不均衡学習に関して,SVMに基づくモデルの階層的分類を導入する。 ベンチマーク不均衡データセットを用いて,各カテゴリの各種SVMモデルの性能を比較した。 以上の結果から,データ前処理の要求がないため,アルゴリズム手法は時間がかかりにくいが,再サンプリング手法とアルゴリズム手法を併用した融合方式は,一般に最善を尽くしていることがわかった。
  論文  参考訳（メタデータ） (2024-06-05T15:55:08Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Separability and Scatteredness (S&S) Ratio-Based Efficient SVM Regularization Parameter, Kernel, and Kernel Parameter Selection [10.66048003460524]
  Support Vector Machine (SVM)は、分類、回帰、外れ値検出に広く応用された堅牢な機械学習アルゴリズムである。 本研究では,SVMの性能をデータの分離性と分散性(S&S)の関数としてモデル化できることを示す。
  論文  参考訳（メタデータ） (2023-05-17T13:51:43Z)
• Abstract Interpretation-Based Feature Importance for SVMs [8.879921160392737]
  本稿では,抽象解釈を用いたサポートベクトルマシン(SVM)の記号表現を提案する。 我々は,SVMの精度のデータセットに依存しない,抽象的特徴重要度(AFI)と呼ばれる新しい特徴重要度尺度を導出する。 我々の実験結果によると、SVMの精度とは独立に、我々のAFI尺度は機械学習ソフトウェアで広く利用できる特徴重要度よりも、SVMの摂動に対する安定性に強く相関している。
  論文  参考訳（メタデータ） (2022-10-22T13:57:44Z)
• Handling Imbalanced Classification Problems With Support Vector Machines via Evolutionary Bilevel Optimization [73.17488635491262]
  サポートベクトルマシン(SVM)は、バイナリ分類問題に対処する一般的な学習アルゴリズムである。 この記事では、EBCS-SVMについて紹介する。
  論文  参考訳（メタデータ） (2022-04-21T16:08:44Z)
• Max-Margin Contrastive Learning [120.32963353348674]
  教師なし表現学習のためのMMCL(max-margin contrastive learning)を提案する。 提案手法は2次最適化問題を用いて得られたスパース支持ベクトルとして負を選択する。 我々は、標準ビジョンベンチマークデータセットに対するアプローチを検証し、教師なし表現学習におけるより良い性能を示す。
  論文  参考訳（メタデータ） (2021-12-21T18:56:54Z)
• Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
  ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。 本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
  論文  参考訳（メタデータ） (2021-07-28T05:18:10Z)
• Parallel Stochastic Mirror Descent for MDPs [72.75921150912556]
  無限水平マルコフ決定過程(MDP)における最適政策学習の問題を考える。 リプシッツ連続関数を用いた凸プログラミング問題に対してミラー・ディクセントの変種が提案されている。 このアルゴリズムを一般の場合において解析し,提案手法の動作中に誤差を蓄積しない収束率の推定値を得る。
  論文  参考訳（メタデータ） (2021-02-27T19:28:39Z)
• Unsupervised Real Time Prediction of Faults Using the Support Vector Machine [1.1852751647387592]
  提案手法は,SMOトレーニングアルゴリズムを用いることで,より優れた性能が得られることを示す。 この予測モデルの分類性能は、SMOトレーニングアルゴリズムの有無にかかわらず、SVMよりもかなり優れている。
  論文  参考訳（メタデータ） (2020-12-30T04:27:10Z)
• Equipment Failure Analysis for Oil and Gas Industry with an Ensemble Predictive Model [0.0]
  提案手法は,SMOトレーニングアルゴリズムを用いることで,より優れた性能が得られることを示す。 この予測モデルの分類性能は、SMOトレーニングアルゴリズムの有無にかかわらず、SVMよりもかなり優れている。
  論文  参考訳（メタデータ） (2020-12-30T04:14:15Z)

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。