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 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 Learning of Causal Effects from Incomplete Observational Data [7.070214955483121]
不完全なデータソースからのフェデレーション因果推論のための新しいアプローチを提案する。
我々のアプローチは、損失関数を複数のコンポーネントに切り離し、それぞれが欠落した値を持つ特定のデータソースに対応する。
本フレームワークは、ソース間で生データを共有することなく、異種因果効果を推定する。
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) - PS-FedGAN: An Efficient Federated Learning Framework Based on Partially
Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。
本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。
PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
論文 参考訳(メタデータ) (2023-05-19T05:39:40Z) - 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) - 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) - Provably Efficient Causal Reinforcement Learning with Confounded
Observational Data [135.64775986546505]
オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。
提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-22T14:49:33Z) - 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。