論文の概要: VCNet and Functional Targeted Regularization For Learning Causal Effects
of Continuous Treatments
- arxiv url: http://arxiv.org/abs/2103.07861v1
- Date: Sun, 14 Mar 2021 07:37:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 14:25:44.001796
- Title: VCNet and Functional Targeted Regularization For Learning Causal Effects
of Continuous Treatments
- Title（参考訳）: 連続処理の因果効果学習のためのVCNetと機能目標正規化
- Authors: Lizhen Nie, Mao Ye, Qiang Liu, Dan Nicolae
- Abstract要約: 推定ADRFの連続性を保ちながらモデル表現性を向上する新しい可変係数ニューラルネットワーク(VCNet)を提案する。
また、ターゲット正規化を一般化し、ADRF曲線全体の二重に堅牢な推定値を得る。
- 参考スコア（独自算出の注目度）: 14.224974383142223
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motivated by the rising abundance of observational data with continuous
treatments, we investigate the problem of estimating the average dose-response
curve (ADRF). Available parametric methods are limited in their model space,
and previous attempts in leveraging neural network to enhance model
expressiveness relied on partitioning continuous treatment into blocks and
using separate heads for each block; this however produces in practice
discontinuous ADRFs. Therefore, the question of how to adapt the structure and
training of neural network to estimate ADRFs remains open. This paper makes two
important contributions. First, we propose a novel varying coefficient neural
network (VCNet) that improves model expressiveness while preserving continuity
of the estimated ADRF. Second, to improve finite sample performance, we
generalize targeted regularization to obtain a doubly robust estimator of the
whole ADRF curve.
- Abstract（参考訳）: 連続処理による観測データの増大に動機付けられ, 平均線量応答曲線(ADRF)を推定する問題について検討した。
利用可能なパラメトリック手法はモデル空間において制限されており、ニューラルネットワークを利用して連続的な処理をブロックに分割し、それぞれのブロックに別々のヘッドを使用することでモデル表現性を向上しようとする以前の試みは、実際には不連続ADRFを生成する。
したがって、ADRFを推定するためにニューラルネットワークの構造とトレーニングをどのように適応させるかという問題はまだ開いていません。
本稿は2つの重要な貢献を述べる。
まず,予測されたADRFの連続性を保ちつつ,モデル表現性を向上させる新しい可変係数ニューラルネットワーク(VCNet)を提案する。
第二に、有限サンプル性能を改善するために、ターゲット正規化を一般化し、ADRF曲線全体の二重に堅牢な推定値を得る。
関連論文リスト
- Benign Overfitting for Regression with Trained Two-Layer ReLU Networks [14.36840959836957]
本稿では,2層完全連結ニューラルネットワークを用いた最小二乗回帰問題と,勾配流によるReLU活性化関数について検討する。
最初の結果は一般化結果であり、基礎となる回帰関数や、それらが有界であること以外のノイズを仮定する必要はない。
論文 参考訳（メタデータ） (2024-10-08T16:54:23Z) - Asymptotics of feature learning in two-layer networks after one gradient-step [39.02152620420932]
本研究では,2層ニューラルネットワークがデータからどのように学習するかを考察し,カーネルの仕組みを改良する。
トレーニングネットワークをスパイクされたランダム特徴量(sRF)モデルでモデル化する。
高次元極限におけるsRFの一般化誤差を正確に記述する。
論文 参考訳（メタデータ） (2024-02-07T15:57:30Z) - Informative Priors Improve the Reliability of Multimodal Clinical Data
Classification [7.474271086307501]
ニューラルネットワークを考慮し、ネットワークパラメータよりも先に分布する、テーラーメイドのマルチモーダルデータ駆動型(M2D2)を設計する。
我々は、M2D2以前のベイズニューラルネットワークをトレーニングするために、単純でスケーラブルな平均場変動推定を用いる。
実験の結果,提案手法は決定論的およびベイズ的ニューラルネットワークベースラインと比較して,より信頼性の高い予測モデルを生成することがわかった。
論文 参考訳（メタデータ） (2023-11-17T03:44:15Z) - Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。
オラクル形式は影響関数の一貫した近似であることを示す。
次に、平均二乗誤差の観点から総合収束解析を行う。
論文 参考訳（メタデータ） (2023-09-22T12:18:53Z) - TWINS: A Fine-Tuning Framework for Improved Transferability of
Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。
本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。
TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文 参考訳（メタデータ） (2023-03-20T14:12:55Z) - Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue
Response Generation Models by Causal Discovery [52.95935278819512]
本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。
因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
論文 参考訳（メタデータ） (2023-03-02T06:33:48Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Learning Sub-Patterns in Piecewise Continuous Functions [4.18804572788063]
ほとんどの勾配降下アルゴリズムは、パラメータでサブ微分可能なニューラルネットワークを最適化することができる。
本稿では,異なるサブパターンから不連続が生じる場合に焦点を当てる。
分離された2段階の手順でトレーニング可能な,不連続なディープニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2020-10-29T13:44:13Z) - Continual Learning in Recurrent Neural Networks [67.05499844830231]
リカレントニューラルネットワーク(RNN)を用いた逐次データ処理における連続学習手法の有効性を評価する。
RNNに弾性重み強化などの重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重
そこで本研究では,重み付け手法の性能が処理シーケンスの長さに直接的な影響を受けず,むしろ高動作メモリ要求の影響を受けていることを示す。
論文 参考訳（メタデータ） (2020-06-22T10:05:12Z) - Frequentist Uncertainty in Recurrent Neural Networks via Blockwise
Influence Functions [121.10450359856242]
リカレントニューラルネットワーク(RNN)は、シーケンシャルおよび時系列データのモデリングに有効である。
RNNにおける既存の不確実性定量化のアプローチは、主にベイズ法に基づいている。
a)モデルトレーニングに干渉せず、その精度を損なうことなく、(b)任意のRNNアーキテクチャに適用し、(c)推定不確かさ間隔に関する理論的カバレッジ保証を提供する。
論文 参考訳（メタデータ） (2020-06-20T22:45:32Z) - Scalable Polyhedral Verification of Recurrent Neural Networks [9.781772283276734]
本稿では, Prover と呼ばれる再帰型ニューラルネットワークのスケーラブルかつ高精度な検証手法を提案する。
評価の結果,Proverはコンピュータビジョン,音声,モーションセンサの分類において,いくつかの難解な再帰モデルを検証できた。
論文 参考訳（メタデータ） (2020-05-27T11:57:01Z)
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。