Fugu-MT 論文翻訳(概要): Graph Intervention Networks for Causal Effect Estimation

論文の概要: Graph Intervention Networks for Causal Effect Estimation

arxiv url: http://arxiv.org/abs/2106.01939v1
Date: Thu, 3 Jun 2021 15:41:00 GMT
ステータス: 処理完了
システム内更新日: 2021-06-04 12:15:23.079578
Title: Graph Intervention Networks for Causal Effect Estimation
Title（参考訳）: 因果効果推定のためのグラフ介入ネットワーク
Authors: Jean Kaddour, Qi Liu, Yuchen Zhu, Matt J. Kusner, Ricardo Silva
Abstract要約: 本稿では, グラフ化処理における条件平均処理効果(CATE)の推定に対処する。本稿では,CATE推定を分割して,より単純な最適化問題に分解するプラグイン推定器を提案する。
参考スコア（独自算出の注目度）: 30.516184324213874
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We address the estimation of conditional average treatment effects (CATEs) when treatments are graph-structured (e.g., molecular graphs of drugs). Given a weak condition on the effect, we propose a plug-in estimator that decomposes CATE estimation into separate, simpler optimization problems. Our estimator (a) isolates the causal estimands (reducing regularization bias), and (b) allows one to plug in arbitrary models for learning. In experiments with small-world and molecular graphs, we show that our approach outperforms prior approaches and is robust to varying selection biases. Our implementation is online.
Abstract（参考訳）: 治療がグラフ構造(例えば薬物の分子グラフ)である場合の条件平均治療効果(CATE)の推定に対処する。そこで本研究では,CATE推定を分離した簡易最適化問題に分解するプラグイン推定器を提案する。我々の推定器(a)は因果推定器(正規化バイアスの低減)を分離し、(b)学習のために任意のモデルをプラグインすることができる。また,小世界および分子グラフを用いた実験において,提案手法が先行手法よりも優れ,選択バイアスの変動に対して頑健であることを示す。私たちの実装はオンラインです。

関連論文リスト

Off-policy estimation with adaptively collected data: the power of online learning [20.023469636707635]
適応的に収集したデータを用いて, 処理効果の線形関数を推定する。本稿では,オンライン学習を通じて治療効果の一連の推定を生成できる一般還元方式を提案する。
論文参考訳（メタデータ） (2024-11-19T10:18:27Z)
Sample Efficient Bayesian Learning of Causal Graphs from Interventions [6.823521786512908]
本研究では,限られた介入サンプルを用いた因果グラフ学習におけるベイズ的アプローチについて考察する。我々は,提案アルゴリズムが真の因果グラフを高い確率で返すことを理論的に示す。本稿では,このアルゴリズムを,グラフ全体を学習することなく,より一般的な因果問題にどう対応できるかを示すケーススタディを提案する。
論文参考訳（メタデータ） (2024-10-26T05:47:56Z)
Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。本手法は, 推定手法よりも有効であることを示す。
論文参考訳（メタデータ） (2024-08-26T08:39:09Z)
Adaptive Online Experimental Design for Causal Discovery [9.447864414136905]
因果発見は因果グラフに符号化された因果関係を明らかにすることを目的としている。オンライン学習の観点から,データの介入効率に着目し,因果発見を形式化する。グラフ分離システムから介入を適応的に選択するトラック・アンド・ストップ因果探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-05-19T13:26:33Z)
Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
論文参考訳（メタデータ） (2023-08-16T13:10:27Z)
Partial Identification of Treatment Effects with Implicit Generative Models [20.711877803169134]
暗黙的生成モデルを用いた一般的な因果グラフにおける平均治療効果(ATE)の部分的同定法を提案する。線形構造因果モデルにおいて,我々のアルゴリズムは ATE 上の厳密な境界に収束することを示す。
論文参考訳（メタデータ） (2022-10-14T22:18:00Z)
Undersmoothing Causal Estimators with Generative Trees [0.0]
観察データから個別に治療効果を推定することで、標的となる介入の可能性を解き放つことができる。しかし、観測データからこれらの効果を推測することは困難である。本稿では,モデルの不特定に対処する新しい生成木に基づくアプローチについて検討する。
論文参考訳（メタデータ） (2022-03-16T11:59:38Z)
Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。 BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文参考訳（メタデータ） (2021-10-24T10:23:51Z)
Near-optimal inference in adaptive linear regression [60.08422051718195]
最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
論文参考訳（メタデータ） (2021-07-05T21:05:11Z)
Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文参考訳（メタデータ） (2021-07-05T12:44:39Z)
Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-08T14:29:07Z)

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。