論文の概要: Regularizing towards Causal Invariance: Linear Models with Proxies

• arxiv url: http://arxiv.org/abs/2103.02477v1
• Date: Wed, 3 Mar 2021 15:39:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-04 15:09:18.078363
• Title: Regularizing towards Causal Invariance: Linear Models with Proxies
• Title（参考訳）: 因果不変性への正規化:プロキシを持つ線形モデル
• Authors: Michael Oberst, Nikolaj Thams, Jonas Peters, David Sontag
• Abstract要約: 一つのプロキシを使って、境界強度の介入の下で最適に予測できる推定器を作成できることを示す。 トレーニング中に"テスト時間"の介入について追加情報が得られるシナリオにこれらの推定器を拡張する方法を示す。
• 参考スコア（独自算出の注目度）: 7.953401800573514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a method for learning linear models whose predictive performance is robust to causal interventions on unobserved variables, when noisy proxies of those variables are available. Our approach takes the form of a regularization term that trades off between in-distribution performance and robustness to interventions. Under the assumption of a linear structural causal model, we show that a single proxy can be used to create estimators that are prediction optimal under interventions of bounded strength. This strength depends on the magnitude of the measurement noise in the proxy, which is, in general, not identifiable. In the case of two proxy variables, we propose a modified estimator that is prediction optimal under interventions up to a known strength. We further show how to extend these estimators to scenarios where additional information about the "test time" intervention is available during training. We evaluate our theoretical findings in synthetic experiments and using real data of hourly pollution levels across several cities in China.
• Abstract（参考訳）: 本論文では,これらの変数のノイズの多いプロキシが利用可能である場合に,予測性能が観測不能変数の因果介入に対して堅牢である線形モデルの学習方法を提案する。 当社のアプローチは、分散パフォーマンスと介入に対する堅牢性の間をトレードオフする正規化用語の形式を取っています。 線形構造因果モデルの仮定の下では, 境界強度の介入により最適となる推定値を生成するために, 1つのプロキシを使用できることを示す。 この強度はプロキシ内の測定ノイズの大きさに依存するが、一般には識別できない。 2つのプロキシ変数の場合、既知の強度の介入の下で最適に予測できる修正された推定器を提案する。 さらに、トレーニング中に「テスト時間」の介入に関する追加情報が利用可能であるシナリオにこれらの見積もりを拡張する方法も示します。 また,中国各都市における1時間あたりの汚染レベルの実データを用いて,合成実験における理論的知見を評価した。

関連論文リスト

• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Causality-oriented robustness: exploiting general additive interventions [3.871660145364189]
  本稿では因果性指向のロバスト性に着目し,不変勾配(DRIG)を用いた分布ロバスト性を提案する。 線形環境では、DRIGがデータ依存の分布シフトのクラスの中で頑健な予測を得られることを証明している。 我々は、予測性能をさらに向上させるために、半教師付きドメイン適応設定にアプローチを拡張した。
  論文  参考訳（メタデータ） (2023-07-18T16:22:50Z)
• Bayesian Sparse Regression for Mixed Multi-Responses with Application to Runtime Metrics Prediction in Fog Manufacturing [6.288767115532775]
  フォッグ製造は、分散計算Fogユニットを通じて従来の製造システムを大幅に強化することができる。 予測オフロード手法は,実行時のパフォーマンス指標の正確な予測と不確かさの定量化に大きく依存していることが知られている。 本稿では,多変量混合応答に対するベイジアンスパース回帰法を提案し,実行時性能指標の予測を強化する。
  論文  参考訳（メタデータ） (2022-10-10T16:14:08Z)
• Time Series Prediction under Distribution Shift using Differentiable Forgetting [0.0]
  我々は,重み付き経験的リスク最小化問題として,分布シフトの下での時系列予測について検討した。 経験的リスクにおける過去の観測の重み付けは、忘れる機構によって決定される。 そこで本研究では,忘れる機構のパラメータに対する勾配に基づく学習手法を提案する。
  論文  参考訳（メタデータ） (2022-07-23T10:32:37Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Causality and Generalizability: Identifiability and Learning Methods [0.0]
  この論文は、因果効果の推定、因果構造学習、および分布的に堅牢な予測方法に関する研究領域に寄与する。 本稿では,データ依存平均二乗予測誤差正規化を用いた機器変数設定における線形・非線形因果関係推定器について述べる。 本稿では,介入誘起分布に関する分布ロバスト性に関する一般的な枠組みを提案する。
  論文  参考訳（メタデータ） (2021-10-04T13:12:11Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)
• 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。

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。