論文の概要: Causes of Effects: Learning individual responses from population data

• arxiv url: http://arxiv.org/abs/2104.13730v1
• Date: Wed, 28 Apr 2021 12:38:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-29 12:39:38.747095
• Title: Causes of Effects: Learning individual responses from population data
• Title（参考訳）: 影響要因:人口データから個々の反応を学習する
• Authors: Scott Mueller, Ang Li, Judea Pearl
• Abstract要約: 個別化の問題とその医学への応用について研究する。 例えば、治療の恩恵を受ける確率は、治療された場合の好ましくない結果と、治療されていない場合の好ましくない結果である。 必要十分度(PNS)の確率に限界を当て、グラフィカルな基準や実用的応用とともに既存の研究を分析・拡大します。
• 参考スコア（独自算出の注目度）: 23.593582720307207
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of individualization is recognized as crucial in almost every field. Identifying causes of effects in specific events is likewise essential for accurate decision making. However, such estimates invoke counterfactual relationships, and are therefore indeterminable from population data. For example, the probability of benefiting from a treatment concerns an individual having a favorable outcome if treated and an unfavorable outcome if untreated. Experiments conditioning on fine-grained features are fundamentally inadequate because we can't test both possibilities for an individual. Tian and Pearl provided bounds on this and other probabilities of causation using a combination of experimental and observational data. Even though those bounds were proven tight, narrower bounds, sometimes significantly so, can be achieved when structural information is available in the form of a causal model. This has the power to solve central problems, such as explainable AI, legal responsibility, and personalized medicine, all of which demand counterfactual logic. We analyze and expand on existing research by applying bounds to the probability of necessity and sufficiency (PNS) along with graphical criteria and practical applications.
• Abstract（参考訳）: パーソナライゼーションの問題は、ほとんどすべての分野において重要であると認識されている。 特定の事象における影響の原因を特定することは、正確な意思決定にも不可欠である。 しかし、そのような推定は反事実関係を呼び起こすため、人口データからは決定できない。 例えば、治療の恩恵を受ける確率は、治療された場合の好ましくない結果と、治療されていない場合の好ましくない結果である。 粒度の細かい特徴を条件づけた実験は、個々の可能性の両方をテストできないため、基本的に不十分です。 ティアンとパールは、実験データと観測データを組み合わせて因果関係の他の可能性に限界を与えた。 これらの境界は厳密に証明されたものの、時としてより狭い境界は、因果モデルの形で構造情報が利用可能であるときに達成できる。 これは、説明可能なAI、法的責任、パーソナライズされた医療といった中心的な問題を解決する能力を持つ。 我々は,必要十分性(PNS)の確率に境界を適用し,グラフィカルな基準と実践的応用によって既存の研究を分析し,拡張する。

関連論文リスト

• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Intervention and Conditioning in Causal Bayesian Networks [23.225006087292765]
  単純だが現実的な独立を仮定することで、介入公式の確率を推定できることを示す。 多くの場合、仮定が適切であれば、これらの確率推定は観測データを用いて評価することができる。
  論文  参考訳（メタデータ） (2024-05-23T15:55:38Z)
• Identification of Single-Treatment Effects in Factorial Experiments [0.0]
  実験において複数の介入がランダム化されている場合、実験環境外において単一の介入が与える影響は、不在の英雄的仮定とは見なされないことを示す。 観測研究と要因実験は、ゼロおよび複数介入による潜在的アウトカム分布に関する情報を提供する。 この種の設計に頼っている研究者は、関数形式の線形性を正当化するか、あるいはDirected Acyclic Graphsで変数が実世界でどのように関連しているかを特定する必要がある。
  論文  参考訳（メタデータ） (2024-05-16T04:01:53Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• 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)
• Interventional Causal Representation Learning [75.18055152115586]
  因果表現学習は、低レベルの感覚データから高レベルの潜伏因子を抽出しようとする。 介入データは因果表現学習を促進するか? 介入データは、しばしば潜伏因子の支援の幾何学的シグネチャを持つことを示す。
  論文  参考訳（メタデータ） (2022-09-24T04:59:03Z)
• Probabilities of Causation with Nonbinary Treatment and Effect [20.750773939911685]
  TianとPearlは、必要および十分性の確率の鋭い境界を導出した。 我々は、多値な治療と効果に対する因果関係のあらゆる種類の確率に関する理論的境界を提供する。
  論文  参考訳（メタデータ） (2022-08-19T23:54:47Z)
• 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)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• An introduction to causal reasoning in health analytics [2.199093822766999]
  従来の機械学習と統計的アプローチで発生する可能性のある欠点のいくつかを強調して、観測データを分析します。 一般的な機械学習問題に対処するための因果推論の応用を実演する。
  論文  参考訳（メタデータ） (2021-05-10T20:25:56Z)

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。