Fugu-MT 論文翻訳(概要): Stochastic Intervention for Causal Inference via Reinforcement Learning

論文の概要: Stochastic Intervention for Causal Inference via Reinforcement Learning

arxiv url: http://arxiv.org/abs/2105.13514v1
Date: Fri, 28 May 2021 00:11:22 GMT
ステータス: 処理完了
システム内更新日: 2021-05-31 22:31:24.700453
Title: Stochastic Intervention for Causal Inference via Reinforcement Learning
Title（参考訳）: 強化学習による因果推論に対する確率的介入
Authors: Tri Dung Duong, Qian Li, Guandong Xu
Abstract要約: 因果推論の中心は介入戦略の処理効果推定である。既存の方法はほとんどが決定論的治療に限られており、異なる治療下での結果を比較する。介入に対する治療効果を推定するための新しい効果的な枠組みを提案する。
参考スコア（独自算出の注目度）: 7.015556609676951
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Causal inference methods are widely applied in various decision-making domains such as precision medicine, optimal policy and economics. Central to causal inference is the treatment effect estimation of intervention strategies, such as changes in drug dosing and increases in financial aid. Existing methods are mostly restricted to the deterministic treatment and compare outcomes under different treatments. However, they are unable to address the substantial recent interest of treatment effect estimation under stochastic treatment, e.g., "how all units health status change if they adopt 50\% dose reduction". In other words, they lack the capability of providing fine-grained treatment effect estimation to support sound decision-making. In our study, we advance the causal inference research by proposing a new effective framework to estimate the treatment effect on stochastic intervention. Particularly, we develop a stochastic intervention effect estimator (SIE) based on nonparametric influence function, with the theoretical guarantees of robustness and fast convergence rates. Additionally, we construct a customised reinforcement learning algorithm based on the random search solver which can effectively find the optimal policy to produce the greatest expected outcomes for the decision-making process. Finally, we conduct an empirical study to justify that our framework can achieve significant performance in comparison with state-of-the-art baselines.
Abstract（参考訳）: 因果推論法は、精密医療、最適政策、経済学など様々な意思決定領域に広く適用されている。因果推論の中心は、薬物投与の変化や財政援助の増加といった介入戦略の処置効果の推定である。既存の方法は主に決定論的治療に制限され、異なる治療下での結果を比較する。しかし、確率的治療における治療効果推定の実質的な関心、例えば「50 %の線量削減を採用すると、すべてのユニットの健康状態がどう変わるか」には対処できない。言い換えれば、音質決定を支援するためのきめ細かい処理効果を推定する能力は欠如している。本研究では,確率的介入に対する治療効果を推定するための新しい有効な枠組みを提案し,因果推論研究を進める。特に,非パラメトリックな影響関数に基づく確率的介入効果推定器(sie)を開発し,ロバスト性と高速収束率を理論的に保証する。さらに,ランダム探索ソルバに基づくカスタマイズ強化学習アルゴリズムを構築し,意思決定プロセスにおいて最も期待される結果を生成するための最適方針を効果的に見つける。最後に、我々のフレームワークが最先端のベースラインと比較して大きなパフォーマンスを達成できることを正当化する実証的研究を行う。

関連論文リスト

Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
実際には、因果研究者は先験を念頭において1つの結果を持っていない。政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
論文参考訳（メタデータ） (2024-04-29T08:16:30Z)
Targeted Machine Learning for Average Causal Effect Estimation Using the Front-Door Functional [3.0232957374216953]
結果に対する治療の平均因果効果(ACE)を評価することは、しばしば観察研究における要因の相違によって引き起こされる課題を克服することを伴う。本稿では,目標最小損失推定理論に基づいて,正面基準の新たな推定手法を提案する。本研究では,早期学業成績が今後の年収に与える影響を明らかにするために,これらの推定装置の適用性を示す。
論文参考訳（メタデータ） (2023-12-15T22:04:53Z)
The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation [53.81860494566915]
既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
論文参考訳（メタデータ） (2023-09-29T14:33:48Z)
Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation [137.3520153445413]
下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
論文参考訳（メタデータ） (2023-07-11T02:58:10Z)
Causal Inference under Data Restrictions [0.0]
この論文は、不確実性とデータ制限の下での現代の因果推論に焦点を当てている。これには、ネオアジュバント臨床試験、分散データネットワーク、堅牢な個別化意思決定へのアプリケーションが含まれる。
論文参考訳（メタデータ） (2023-01-20T20:14:32Z)
Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
論文参考訳（メタデータ） (2021-12-07T16:40:28Z)
SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文参考訳（メタデータ） (2021-10-26T20:13:17Z)
Stochastic Intervention for Causal Effect Estimation [7.015556609676951]
介入効果を推定するための新しい確率スコアと介入効果推定器(SIE)を提案する。また,介入効果(Ge-SIO)に特異的な遺伝的アルゴリズムを設計し,意思決定の因果的証拠を提供する。提案手法とアルゴリズムは,最先端のベースラインと比較して,大幅な性能向上を実現することができる。
論文参考訳（メタデータ） (2021-05-27T01:12:03Z)
Learning Continuous Treatment Policy and Bipartite Embeddings for Matching with Heterogeneous Causal Effects [8.525061716196424]
現在の方法では、単一の結果次元の処理効果に基づいて二項のイエスまたはノーの決定を行う。本稿では, パラメトリザブルモデルとしての処理の有効性を定式化し, 様々な処理強度と複雑さにまで拡張することを提案する。深層学習を利用して, 1次元の処理を非現実的に予測する代わりに, 所望の総体距離空間を最適化する。
論文参考訳（メタデータ） (2020-04-21T01:36:20Z)
Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。