論文の概要: Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions

• arxiv url: http://arxiv.org/abs/2103.04786v1
• Date: Mon, 8 Mar 2021 14:29:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-10 18:52:35.653532
• Title: Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions
• Title（参考訳）: 観測データと干渉データを組み合わせた因果関係の効率的な因果関係推定
• Authors: Maximilian Ilse, Patrick Forr\'e, Max Welling, Joris M. Mooij
• Abstract要約: 因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 68.6505592770171
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unobserved confounding is one of the main challenges when estimating causal effects. We propose a novel causal reduction method that replaces an arbitrary number of possibly high-dimensional latent confounders with a single latent confounder that lives in the same space as the treatment variable without changing the observational and interventional distributions entailed by the causal model. After the reduction, we parameterize the reduced causal model using a flexible class of transformations, so-called normalizing flows. We propose a learning algorithm to estimate the parameterized reduced model jointly from observational and interventional data. This allows us to estimate the causal effect in a principled way from combined data. We perform a series of experiments on data simulated using nonlinear causal mechanisms and find that we can often substantially reduce the number of interventional samples when adding observational training samples without sacrificing accuracy. Thus, adding observational data may help to more accurately estimate causal effects even in the presence of unobserved confounders.
• Abstract（参考訳）: 因果効果を推定する際の主な課題の1つである。 因果モデルに付随する観察分布や介入分布を変化させることなく,治療変数と同じ空間に居住する,任意の数の高次元潜伏共創者と,単一の潜伏共創者とを置き換える新たな因果還元法を提案する。 削減後、縮小因果モデルを、フレキシブルな変換のクラス、いわゆる正規化フローを用いてパラメータ化する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。 これにより,複合データから因果効果を原理的に推定することができる。 非線形因果機構を用いてシミュレーションされたデータに関する一連の実験を行い、精度を犠牲にすることなく観察訓練サンプルを追加する場合、介入サンプル数を実質的に削減できることを見出した。 したがって、観測データの追加は、観察されていない共同設立者の存在下でも因果効果をより正確に推定するのに役立ちます。

関連論文リスト

• Bayesian Causal Inference with Gaussian Process Networks [1.7188280334580197]
  本稿では,ガウス過程ネットワークモデルにおける仮説的介入の効果のベイズ推定の問題について考察する。 本稿では,ネットワーク全体の介入の効果をシミュレートし,下流変数に対する介入の効果を伝播させることにより,GPNに対する因果推論を行う方法について述べる。 両フレームワークを既知の因果グラフのケースを超えて拡張し,マルコフ連鎖モンテカルロ法による因果構造の不確実性を取り入れた。
  論文  参考訳（メタデータ） (2024-02-01T14:39:59Z)
• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
  拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。 本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。 そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2024-01-17T07:58:18Z)
• Valid causal inference with unobserved confounding in high-dimensional settings [0.0]
  半パラメトリックな推論が、観測されていない共同創設者や高次元ニュアンスモデルの存在下でどのように得られるかを示す。 本研究では、観測不能な共振を許容する不確実区間を提案し、観測不能な共振の量が小さい場合、その結果の推論が有効であることを示す。
  論文  参考訳（メタデータ） (2024-01-12T13:21:20Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Efficient estimation of weighted cumulative treatment effects by double/debiased machine learning [3.086361225427304]
  重み付き累積因果効果に対する一段階のクロスフィット型2重/脱バイアス型機械学習推定器を提案する。 本稿では,イギリスのプライマリ・ケア・データベースからの実世界観測データに提案手法を適用し,抗糖尿病薬のがん効果の比較を行った。
  論文  参考訳（メタデータ） (2023-05-03T18:19:18Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• What can the millions of random treatments in nonexperimental data reveal about causes? [0.0]
  この記事ではこのようなモデルとベイズ的アプローチを紹介し、非経験的データで典型的に使用可能な 1(n2)$ のペアワイズ観測を組み合わせる。 提案手法は, 一般のnswサンプル, 任意のサブポピュレーションおよび大容量スーパーサンプルにおいて, 因果効果を回復することを示す。
  論文  参考訳（メタデータ） (2021-05-03T20:13:34Z)
• On Disentangled Representations Learned From Correlated Data [59.41587388303554]
  相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。 本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。 また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-14T12:47:34Z)

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。