論文の概要: Causal Decision Making and Causal Effect Estimation Are Not the Same... and Why It Matters

• arxiv url: http://arxiv.org/abs/2104.04103v1
• Date: Thu, 8 Apr 2021 22:50:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-12 22:11:49.144320
• Title: Causal Decision Making and Causal Effect Estimation Are Not the Same... and Why It Matters
• Title（参考訳）: 因果判定と因果効果推定は同一ではない...なぜ重要か
• Authors: Carlos Fern\'andez-Lor\'ia and Foster Provost
• Abstract要約: 大規模意思決定(CDM)はビジネスの日常的な部分となっている。 この記事では、CDMは因果効果推定(CEE)と同じではありません。 これらの影響の3つを強調するために、最近の研究を振り返ります。
• 参考スコア（独自算出の注目度）: 10.54859087700132
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal decision making (CDM) at scale has become a routine part of business, and increasingly CDM is based on machine learning algorithms. For example, businesses often target offers, incentives, and recommendations with the goal of affecting consumer behavior. Recently, we have seen an acceleration of research related to CDM and to causal effect estimation (CEE) using machine learned models. This article highlights an important perspective: CDM is not the same as CEE, and counterintuitively, accurate CEE is not necessary for accurate CDM. Our experience is that this is not well understood by practitioners nor by most researchers. Technically, the estimand of interest is different, and this has important implications both for modeling and for the use of statistical models for CDM. We draw on recent research to highlight three of these implications. (1) We should carefully consider the objective function of the causal machine learning, and if possible, we should optimize for accurate "treatment assignment" rather than for accurate effect-size estimation. (2) Confounding does not have the same effect on CDM as it does on CEE. The upshot here is that for supporting CDM it may be just as good to learn with confounded data as with unconfounded data. Finally, (3) causal statistical modeling may not be necessary at all to support CDM, because there may be (and perhaps often is) a proxy target for statistical modeling that can do as well or better. This observation helps to explain at least one broad common CDM practice that seems "wrong" at first blush: the widespread use of non-causal models for targeting interventions. Our perspective is that these observations open up substantial fertile ground for future research. Whether or not you share our perspective completely, we hope we facilitate future research in this area by pointing to related articles from multiple contributing fields.
• Abstract（参考訳）: 大規模意思決定(CDM)はビジネスの日常的な部分となり、ますますCDMは機械学習アルゴリズムに基づいている。 例えば、企業は消費者の行動に影響を及ぼす目的で、しばしばオファー、インセンティブ、レコメンデーションをターゲットにしている。 近年,機械学習モデルを用いたCDMと因果効果推定(CEE)に関する研究が加速されている。 この記事では、CDMはCEEと同一ではなく、正反対に正確なCEEは正確なCDMには必要ない、という重要な視点を強調します。 私たちの経験では、これは実践者やほとんどの研究者にはよく理解されていない。 技術的には、興味の見積は異なり、モデリングとCDMの統計モデルの使用の両方に重要な意味を持つ。 私たちは、これらの3つの意味を強調するために、最近の研究を取り上げます。 1) 因果的機械学習の目的関数を慎重に検討すべきであり, 可能であれば, 正確な効果サイズ推定よりも, 正確な「処理割り当て」を最適化すべきである。 (2)コンファウンディングはcdmに対してceeと同じ影響を及ぼさない。 cdmをサポートするためには、根拠のないデータと同様に、根拠のないデータで学ぶのがよいかもしれない。 最後に、(3)因果的統計的モデリングはcdmをサポートするために全く必要ではないかもしれない。 この観察は、最初は「不安定な」ように見える、少なくとも1つの一般的なcdmの実践を説明するのに役立ちます。 我々の見解では、これらの観測は将来の研究のためにかなりの肥大な土台を開く。 私たちの視点を完全に共有するかどうかに関わらず、複数の貢献分野の関連記事を参照することで、この分野の今後の研究を促進することを願っています。

関連論文リスト

• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• Learning Causal Dynamics Models in Object-Oriented Environments [4.887814315732678]
  因果力学モデル(CDM)は、強化学習における様々な課題に対処する上で大きな可能性を示している。 我々は、同じクラスに属するオブジェクト間の因果関係とパラメータを共有するオブジェクト指向CDM(OOCDM)を紹介する。 大規模タスクの実験は、OOCDMが因果発見、予測精度、一般化、計算効率で既存のCDMより優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-21T09:10:51Z)
• On the Relationship Between Explanation and Prediction: A Causal View [32.559697523249035]
  説明(E)と予測(Y)の関係について検討する。 この結果は、E と Y の関係は理想とは程遠いことを示唆している。 私たちの研究は、EとYの関係を定量的に測定する第一歩として有望です。
  論文  参考訳（メタデータ） (2022-12-13T22:42:00Z)
• Efficient Diffusion Models for Vision: A Survey [34.610299976294904]
  拡散モデル (DM) は, 逆行訓練を必要とせず, コンテンツ生成における最先端の性能を実証している。 DMは非平衡熱力学にインスパイアされ、本質的に高い計算複雑性を持つ。 DMはトレーニングと推論の段階でかなりの計算オーバーヘッドを発生させる。
  論文  参考訳（メタデータ） (2022-10-07T06:46:13Z)
• 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)
• Suspected Object Matters: Rethinking Model's Prediction for One-stage Visual Grounding [93.82542533426766]
  疑似オブジェクト間の対象オブジェクト選択を促進するため,疑似オブジェクト変換機構(SOT)を提案する。 SOTは既存のCNNとTransformerベースのワンステージ視覚グラウンドにシームレスに統合できる。 実験の結果,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-10T06:41:07Z)
• Exhaustivity and anti-exhaustivity in the RSA framework: Testing the effect of prior beliefs [68.8204255655161]
  我々は,先行に対する感受性が合理的音声法(RSA)フレームワークの直感的予測に繋がる事例に着目した。 本研究では, ベースラインRSAモデルにおいて, 一定の条件下では, 反排他的読解が予測されることを示す。 RSAフレームワーク全体で予測されるように、メッセージ選択は事前に敏感である。
  論文  参考訳（メタデータ） (2022-02-14T20:35:03Z)
• Density-aware Chamfer Distance as a Comprehensive Metric for Point Cloud Completion [90.26652899910019]
  チャンファー距離 (CD) とアースモーバー距離 (EMD) は、2つの点集合間の類似度を測定するために広く採用されている2つの指標である。 本稿では,DCD(Dedentity-Aware Chamfer Distance)と呼ばれる新しい類似度尺度を提案する。 DCDは、全体構造と局所的詳細の両方に注意を払っており、CDと矛盾する場合でも、より信頼性の高い評価を提供する。
  論文  参考訳（メタデータ） (2021-11-24T18:56:27Z)
• What Makes for Good Views for Contrastive Learning? [90.49736973404046]
  我々は、タスク関連情報をそのまま保持しながら、ビュー間の相互情報(MI)を減らすべきであると論じる。 教師なし・半教師なしのフレームワークを考案し、MIの削減をめざして効果的なビューを学習する。 副産物として、ImageNet分類のための教師なし事前学習における最先端の精度を実現する。
  論文  参考訳（メタデータ） (2020-05-20T17:59:57Z)

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。