論文の概要: Adaptive Multi-Source Causal Inference

• arxiv url: http://arxiv.org/abs/2105.14877v1
• Date: Mon, 31 May 2021 11:02:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-01 17:32:41.163563
• Title: Adaptive Multi-Source Causal Inference
• Title（参考訳）: 適応型マルチソース因果推論
• Authors: Thanh Vinh Vo, Pengfei Wei, Trong Nghia Hoang, Tze-Yun Leong
• Abstract要約: 対象個体群の因果的影響を推定するために,類似の因果的メカニズムを対象個体と共有する追加ソース・データセットを利用する。 我々は、成果、治療、共同設立者のモデリングを通じて、知識伝達の3つのレベルを提案する。 提案手法は,データソースとターゲット間のデータの相違を事前に知ることなく,対象個体群の因果関係を推定することができる。
• 参考スコア（独自算出の注目度）: 21.590496842692747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data scarcity is a tremendous challenge in causal effect estimation. In this paper, we propose to exploit additional data sources to facilitate estimating causal effects in the target population. Specifically, we leverage additional source datasets which share similar causal mechanisms with the target observations to help infer causal effects of the target population. We propose three levels of knowledge transfer, through modelling the outcomes, treatments, and confounders. To achieve consistent positive transfer, we introduce learnable parametric transfer factors to adaptively control the transfer strength, and thus achieving a fair and balanced knowledge transfer between the sources and the target. The proposed method can infer causal effects in the target population without prior knowledge of data discrepancy between the additional data sources and the target. Experiments on both synthetic and real-world datasets show the effectiveness of the proposed method as compared with recent baselines.
• Abstract（参考訳）: データ不足は因果効果推定における大きな課題である。 本稿では,目的集団における因果効果の予測を容易にするために,追加のデータソースを活用することを提案する。 具体的には、同様の因果メカニズムをターゲットの観測と共有する追加のソースデータセットを活用して、ターゲット集団の因果効果を推測する。 我々は,成果,治療,共同創設者のモデル化を通じて,知識伝達の3つのレベルを提案する。 一貫した正の伝達を実現するために,学習可能なパラメトリック伝達因子を導入し,伝達強度を適応的に制御し,ソースとターゲット間の公平かつバランスの取れた知識伝達を実現する。 提案手法は,データソースとターゲット間のデータの相違を事前に知ることなく,対象個体群の因果関係を推定することができる。 合成と実世界の両方のデータセットを用いた実験は,最近のベースラインと比較して提案手法の有効性を示した。

関連論文リスト

• Multi-Source Conformal Inference Under Distribution Shift [41.701790856201036]
  複数のバイアスのあるデータソースを活用することにより,対象個体数の分布自由な予測区間を得るという課題を考察する。 対象集団および源集団における未観測結果の定量値に対する効率的な影響関数を導出する。 本稿では、効率向上のための重み付き情報ソースとバイアス低減のための重み付き非情報ソースに対するデータ適応戦略を提案する。
  論文  参考訳（メタデータ） (2024-05-15T13:33:09Z)
• 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)
• Federated Causal Inference from Observational Data [6.290787709927236]
  分散化されたデータソースは、現実世界のアプリケーションで広く使われており、因果推論の深刻な課題となっている。 本稿では,分散データソースから因果効果を推定する枠組みを提案する。 提案フレームワークは,ソース間の生データの交換を回避し,プライバシ保護因果学習に寄与する。
  論文  参考訳（メタデータ） (2023-08-24T19:27:59Z)
• Continual Causal Inference with Incremental Observational Data [8.543321506666636]
  観測データを用いて因果効果を推定するための連続因果効果表現学習法を提案する。 提案手法は,原データに対する推定能力を損なうことなく,新たなデータの因果効果を連続的に推定する。
  論文  参考訳（メタデータ） (2023-03-03T08:33:15Z)
• An Adaptive Kernel Approach to Federated Learning of Heterogeneous Causal Effects [10.248235276871256]
  本稿では,複数の分散データソースから因果関係を学習するための新たな因果関係推論フレームワークを提案する。 本稿では,データソース間の類似性を学習する適応転送アルゴリズムを提案する。 提案手法は,異なる分布を持つ分散化されたデータソースのベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-01T04:57:48Z)
• An Exploration of Data Efficiency in Intra-Dataset Task Transfer for Dialog Understanding [65.75873687351553]
  本研究は,対話領域における逐次移動学習における目標タスク訓練データ量の影響について検討する。 非意図的に、我々のデータでは、タスクトレーニングデータのサイズを目標とする場合、シーケンシャルトランスファーラーニングがトランスファーラーニングなしで同じモデルと比較した場合、最小限の効果が示される。
  論文  参考訳（メタデータ） (2022-10-21T04:36:46Z)
• Causal Effect Estimation using Variational Information Bottleneck [19.6760527269791]
  因果推論とは、介入が適用されるときの因果関係における因果効果を推定することである。 変分情報ボトルネック(CEVIB)を用いて因果効果を推定する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T13:46:12Z)
• Learning Bias-Invariant Representation by Cross-Sample Mutual Information Minimization [77.8735802150511]
  対象タスクが誤用したバイアス情報を除去するために,クロスサンプル対逆脱バイアス法(CSAD)を提案する。 相関測定は, 対向的偏り評価において重要な役割を担い, クロスサンプル型相互情報推定器によって行われる。 我々は,提案手法の最先端手法に対する利点を検証するために,公開データセットの徹底的な実験を行った。
  論文  参考訳（メタデータ） (2021-08-11T21:17:02Z)
• BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
  本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。 本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T10:14:18Z)
• Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
  Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。 既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
  論文  参考訳（メタデータ） (2020-12-14T07:28:50Z)
• Domain Adaptative Causality Encoder [52.779274858332656]
  我々は,適応因果同定と局所化の課題に対処するために,依存木の特徴と敵対学習を活用する。 我々は、テキストにあらゆる種類の因果関係を統合する新しい因果関係データセット、MedCausを提案する。
  論文  参考訳（メタデータ） (2020-11-27T04:14:55Z)

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。