Fugu-MT 論文翻訳(概要): Auto IV: Counterfactual Prediction via Automatic Instrumental Variable Decomposition

論文の概要: Auto IV: Counterfactual Prediction via Automatic Instrumental Variable Decomposition

arxiv url: http://arxiv.org/abs/2107.05884v1
Date: Tue, 13 Jul 2021 07:30:21 GMT
ステータス: 処理完了
システム内更新日: 2021-07-14 23:58:41.008329
Title: Auto IV: Counterfactual Prediction via Automatic Instrumental Variable Decomposition
Title（参考訳）: auto iv: 自動インストゥルメンタル変数分解による反事実予測
Authors: Junkun Yuan, Anpeng Wu, Kun Kuang, Bo Li, Runze Wu, Fei Wu, Lanfen Lin
Abstract要約: 計器変数(IV)は、観測されていない共同設立者と因果推論において重要な役割を果たす。既存のIVベースの対実予測法では、適切に定義されたIVが必要である。観測変数からIVの役割を果たす表現を自動的に生成する新しいアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 21.90157954233519
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Instrumental variables (IVs), sources of treatment randomization that are conditionally independent of the outcome, play an important role in causal inference with unobserved confounders. However, the existing IV-based counterfactual prediction methods need well-predefined IVs, while it's an art rather than science to find valid IVs in many real-world scenes. Moreover, the predefined hand-made IVs could be weak or erroneous by violating the conditions of valid IVs. These thorny facts hinder the application of the IV-based counterfactual prediction methods. In this paper, we propose a novel Automatic Instrumental Variable decomposition (AutoIV) algorithm to automatically generate representations serving the role of IVs from observed variables (IV candidates). Specifically, we let the learned IV representations satisfy the relevance condition with the treatment and exclusion condition with the outcome via mutual information maximization and minimization constraints, respectively. We also learn confounder representations by encouraging them to be relevant to both the treatment and the outcome. The IV and confounder representations compete for the information with their constraints in an adversarial game, which allows us to get valid IV representations for IV-based counterfactual prediction. Extensive experiments demonstrate that our method generates valid IV representations for accurate IV-based counterfactual prediction.
Abstract（参考訳）: 測定変数(IVs)は、結果から条件的に独立した治療ランダム化の源であり、観測されていない共同設立者との因果推論において重要な役割を果たす。しかし、既存のIVベースの対実予測手法では、適切に定義されたIVが必要ですが、現実のシーンで有効なIVを見つけるのは科学というよりはむしろ芸術です。さらに、予め定義された手作りのIVは、有効なIVの条件に違反することで、弱いか誤っている可能性がある。これらの厄介な事実は、IVベースの対実予測法の適用を妨げる。本稿では,観測変数(IV候補)からIVの役割を担う表現を自動的に生成する,新しい自動機器変数分解(AutoIV)アルゴリズムを提案する。具体的には、学習されたiv表現を、相互情報最大化および最小化制約により、処理および排他条件と結果との関連条件を満足させる。共同創設者の表現も、治療と結果の両方に関連があるように促すことで学んでいます。 IV と共同設立者表現は、敵ゲームにおいて制約のある情報を求めて競争し、IV ベースの対実予測に対して有効な IV 表現を得ることができる。本手法は, 精度の高いIV-based counterfactual predictionのための有効なIV表現を生成する。

関連論文リスト

Estimating Heterogeneous Treatment Effects by Combining Weak Instruments and Observational Data [44.31792000298105]
病状平均治療効果(CATE)の正確な予測は、パーソナライズされた医療とデジタルプラットフォーム分析において重要である。我々は,信頼性の高いCATE推定を実現するために,IVと観測データを組み合わせた新しい手法を開発した。
論文参考訳（メタデータ） (2024-06-10T16:40:55Z)
Geometry-Aware Instrumental Variable Regression [56.16884466478886]
本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
論文参考訳（メタデータ） (2024-05-19T17:49:33Z)
Regularized DeepIV with Model Selection [72.17508967124081]
正規化DeepIV(RDIV)回帰は最小ノルムIV解に収束することができる。我々の手法は現在の最先端の収束率と一致している。
論文参考訳（メタデータ） (2024-03-07T05:38:56Z)
Learning Conditional Instrumental Variable Representation for Causal Effect Estimation [20.546911588972737]
因果効果推定のための条件セットとCIVの表現を学習・拡張するための新しい手法DVAE.CIVを提案する。
論文参考訳（メタデータ） (2023-06-21T02:27:15Z)
Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,CheXpertデータセットを用いて実証した。
論文参考訳（メタデータ） (2023-05-20T03:12:23Z)
Instrumental Variables in Causal Inference and Machine Learning: A Survey [26.678154268037595]
因果推論(英: Causal inference)とは、データに基づく変数間の因果関係に関する結論を引き出すために仮定を用いる過程である。因果推論と機械学習の両分野における増大する文献は、計測変数(IV)の使用を提案する本論文は、因果推論と機械学習の両方において、IV法とその応用を体系的かつ包括的に導入し、議論する最初の試みである。
論文参考訳（メタデータ） (2022-12-12T08:59:04Z)
Causal Inference with Conditional Instruments using Deep Generative Models [21.771832598942677]
標準IVは、処理変数と関係があり、システム内の他のすべての変数とは独立していると期待されている。変数を変数の集合に条件付けするための条件付きIV(CIV)法が提案されている。平均因果効果推定のために,CIVの表現とその条件セットを,潜伏した共同設立者とのデータから学習することを提案する。
論文参考訳（メタデータ） (2022-11-29T14:31:54Z)
VL4Pose: Active Learning Through Out-Of-Distribution Detection For Pose Estimation [79.50280069412847]
VL4Poseは、分布外検出によるアクティブな学習のための第一原理的アプローチである。我々の解は、最大推定により訓練された単純なパラメトリックベイズネットワークを介してポーズをモデル化することを含む。我々はMPII, LSP, ICVLの3つのデータセットに対して定性的かつ定量的な実験を行い, 人手ポーズ推定を行った。
論文参考訳（メタデータ） (2022-10-12T09:03:55Z)
Discovering Ancestral Instrumental Variables for Causal Inference from Observational Data [0.0]
測定変数(IV)は、観察データから興味の結果に対する治療の因果効果を推定するための強力なアプローチである。既存のIV法は、IVが選択され、ドメイン知識で正当化されることを要求する。本稿では,データから有効なIVを発見するためのデータ駆動アルゴリズムについて,軽度な仮定で検討・設計する。
論文参考訳（メタデータ） (2022-06-04T07:48:13Z)
Ancestral Instrument Method for Causal Inference without Complete Knowledge [0.0]
観測データから因果効果を推定する主な障害は、観測不能な共起である。条件IVは、観測変数の集合を条件付けすることで標準IVの要求を緩和するために提案されている。本研究では,祖先IVと観測データを用いた因果効果推定アルゴリズムを開発した。
論文参考訳（メタデータ） (2022-01-11T07:02:16Z)
Instrumental Variable Value Iteration for Causal Offline Reinforcement Learning [107.70165026669308]
オフライン強化学習(RL)では、事前収集された観測データのみから最適なポリシーが学習される。遷移力学が加法的非線形汎関数形式を持つようなマルコフ決定過程について検討する。そこで本稿では,条件付きモーメント制限の原始的2次元再構成に基づく,証明可能なIVVIアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-02-19T13:01:40Z)

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。