論文の概要: Federated Estimation of Causal Effects from Observational Data
- arxiv url: http://arxiv.org/abs/2106.00456v1
- Date: Mon, 31 May 2021 08:06:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-02 14:32:49.569337
- Title: Federated Estimation of Causal Effects from Observational Data
- Title（参考訳）: 観測データによる因果効果の連関推定
- Authors: Thanh Vinh Vo, Trong Nghia Hoang, Young Lee, Tze-Yun Leong
- Abstract要約: フェデレートされたデータソースを用いた因果推論のための新しいフレームワークを提案する。
我々は、異なるプライベートデータソースからの局所因果効果を中央集権化せずに評価し、統合する。
- 参考スコア（独自算出の注目度）: 19.657789891394504
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many modern applications collect data that comes in federated spirit, with
data kept locally and undisclosed. Till date, most insight into the causal
inference requires data to be stored in a central repository. We present a
novel framework for causal inference with federated data sources. We assess and
integrate local causal effects from different private data sources without
centralizing them. Then, the treatment effects on subjects from observational
data using a non-parametric reformulation of the classical potential outcomes
framework is estimated. We model the potential outcomes as a random function
distributed by Gaussian processes, whose defining parameters can be efficiently
learned from multiple data sources, respecting privacy constraints. We
demonstrate the promise and efficiency of the proposed approach through a set
of simulated and real-world benchmark examples.
- Abstract（参考訳）: 現代の多くのアプリケーションは、データをローカルに保持し、公開しないまま、フェデレートされた精神でデータを集めている。
因果推論に関するほとんどの洞察は、日付が悪く、中央リポジトリにデータを保存する必要がある。
フェデレーションデータソースを用いた因果推論のための新しいフレームワークを提案する。
異なるプライベートデータソースからの局所的因果効果を集中化せずに評価・統合する。
そして, 観察データから得られる治療効果を, 古典的潜在的結果フレームワークの非パラメトリックな再構成を用いて推定する。
提案手法は,複数のデータソースからパラメータを効率的に学習し,プライバシ制約を考慮し,ガウス過程によって分散されたランダム関数として潜在結果をモデル化する。
シミュレーションと実世界のベンチマークの例を通して,提案手法の期待と効率を実証する。
関連論文リスト
- Federated Prediction-Powered Inference from Decentralized Data [40.84399531998246]
予測パワー推論(PPI)は信頼性が低いにもかかわらず統計的妥当性を確保するために提案されている。
Fed-PPIフレームワークは、プライベートデータ上でローカルモデルをトレーニングし、Federated Learning (FL)を通じてそれらを集約し、PPIを使用して信頼区間を導出する。
論文 参考訳（メタデータ） (2024-09-03T09:14:18Z) - Source-Free Domain-Invariant Performance Prediction [68.39031800809553]
本研究では,不確実性に基づく推定を主軸としたソースフリー手法を提案する。
オブジェクト認識データセットのベンチマーク実験により、既存のソースベースの手法は、限られたソースサンプルの可用性で不足していることが判明した。
提案手法は,現在の最先端のソースフリーおよびソースベース手法よりも優れており,ドメイン不変性能推定の有効性が確認されている。
論文 参考訳（メタデータ） (2024-08-05T03:18:58Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - Do Finetti: On Causal Effects for Exchangeable Data [45.96632286841583]
データをi.i.d.に含まない環境での因果効果の推定について検討する。
我々は、独立因果関係の仮定を満たす交換可能なデータに焦点を当てる。
論文 参考訳（メタデータ） (2024-05-29T07:31:18Z) - Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
任意の因果モデルと異種データに対応する新しいFCD法を提案する。
これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。
提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2024-02-20T18:53:53Z) - 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) - Approximating Counterfactual Bounds while Fusing Observational, Biased
and Randomised Data Sources [64.96984404868411]
我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。
利用可能なデータの可能性は局所的な最大値を持たないことを示す。
次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
論文 参考訳（メタデータ） (2023-07-31T11:28:24Z) - Collaborative causal inference on distributed data [7.293479909193382]
本研究では,データ協調実験(DC-QE)を提案し,対象と共変量の欠如を解消し,推定におけるランダムな誤りやバイアスを低減する。
提案手法では, 個人データから生成した中間表現を局所的データから構築し, プライバシ保存のためにプライベートデータの代わりに中間表現を共有し, 共有中間表現から適合度スコアを推定し, 最終的に, 適合度スコアから治療効果を推定する。
論文 参考訳（メタデータ） (2022-08-16T18:28:56Z) - Data-SUITE: Data-centric identification of in-distribution incongruous
examples [81.21462458089142]
Data-SUITEは、ID(In-distriion)データの不連続領域を特定するためのデータ中心のフレームワークである。
我々は,Data-SUITEの性能保証とカバレッジ保証を実証的に検証する。
論文 参考訳（メタデータ） (2022-02-17T18:58:31Z) - How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
本稿では,トレーニングデータの密度と制御性能の関係を考察する。
データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。
フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
論文 参考訳（メタデータ） (2020-05-25T12:13:49Z)
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。