論文の概要: The Proximal ID Algorithm

• arxiv url: http://arxiv.org/abs/2108.06818v1
• Date: Sun, 15 Aug 2021 21:32:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-17 14:49:27.750196
• Title: The Proximal ID Algorithm
• Title（参考訳）: 近距離IDアルゴリズム
• Authors: Ilya Shpitser and Zach Wood-Doughty and Eric J. Tchetgen Tchetgen
• Abstract要約: 我々は、因果推論における識別に対する近近的および図形的アプローチの合成を開発する。 弊社のやり方では、プロキシを体系的に利用して、保存されていない共同ファウンダーの存在を調整できる。
• 参考スコア（独自算出の注目度）: 10.248512149493441
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Unobserved confounding is a fundamental obstacle to establishing valid causal conclusions from observational data. Two complementary types of approaches have been developed to address this obstacle. An extensive line of work is based on taking advantage of fortuitous external aids (such as the presence of an instrumental variable or other proxy), along with additional assumptions to ensure identification. A recent line of work of proximal causal inference (Miao et al., 2018a) has aimed to provide a novel approach to using proxies to deal with unobserved confounding without relying on stringent parametric assumptions. On the other hand, a complete characterization of identifiability of a large class of causal parameters in arbitrary causal models with hidden variables has been developed using the language of graphical models, resulting in the ID algorithm and related extensions (Tian and Pearl, 2002; Shpitser and Pearl, 2006a,b). Celebrated special cases of this approach, such as the front-door model, are able to obtain non-parametric identification in seemingly counter-intuitive situations when a treatment and an outcome share an arbitrarily complicated unobserved common cause. In this paper we aim to develop a synthesis of the proximal and graphical approaches to identification in causal inference to yield the most general identification algorithm in multi- variate systems currently known - the proximal ID algorithm. In addition to being able to obtain non-parametric identification in all cases where the ID algorithm succeeds, our approach allows us to systematically exploit proxies to adjust for the presence of unobserved confounders that would have otherwise prevented identification. In addition, we outline a class of estimation strategies for causal parameters identified by our method in an important special case. We illustration our approach by simulation studies.
• Abstract（参考訳）: 観測データから有効な因果結論を確立するための基本的な障害である。 この障害に対処する2つの補完的なアプローチが開発されている。 幅広い研究の行は、(機器変数や他のプロキシの存在のような)偽装的な外部援助の利点と、識別を保証するための追加の仮定に基づいている。 近位因果推論(Miao et al., 2018a)の最近の研究は、厳密なパラメトリック仮定に頼らずに、プロキシを使って観測不能な推論に対処する新しいアプローチを提供することを目的としている。 一方,隠れ変数を持つ任意の因果モデルにおいて,多種多様な因果パラメータの同定可能性の完全な特徴付けがグラフィカルモデルの言語を用いて開発され,idアルゴリズムと関連する拡張 (tian and pearl, 2002; shpitser and pearl, 2006a,b) が実現されている。 このアプローチの有名な特別なケース、例えばフロントドアモデルは、治療と結果が任意に複雑で観察できない共通の原因を共有するとき、一見直観に反する状況でノンパラメトリックな識別を得ることができる。 本稿では,現在知られている多変量系における最も一般的な識別アルゴリズムである近位idアルゴリズムを導出するために,因果推論における識別に対する近位およびグラフィカルなアプローチの合成法を開発することを目的とする。 提案手法では,IDアルゴリズムが成功するすべてのケースにおいて,非パラメトリックな識別が可能であることに加えて,本手法ではプロキシを体系的に利用して,発見を防止した未観測の共同創設者の存在を調整できる。 また,提案手法によって同定された因果パラメータに対する推定戦略のクラスを,特に重要なケースで概説する。 我々はシミュレーションによるアプローチを例示する。

関連論文リスト

• Pose-Transformation and Radial Distance Clustering for Unsupervised Person Re-identification [5.522856885199346]
  人物再識別(re-ID)は、重複しないカメラ間での同一性マッチングの問題に対処することを目的としている。 監視されたアプローチでは、取得が困難になり、トレーニング対象のデータセットに対して本質的にバイアスがかかる可能性のあるID情報が必要となる。 本稿では,真のラベルの知識をゼロにすることで,学習した特徴の識別能力を向上する手法を提案する。
  論文  参考訳（メタデータ） (2024-11-06T20:55:30Z)
• Score-based Causal Representation Learning: Linear and General Transformations [31.786444957887472]
  本稿は、識別可能性と達成可能性の両方に対処する。 スコアに基づくアルゴリズムのクラスを設計し、識別性と達成性の両方を保証する。 結果は構造化された合成データと画像データの実験によって実証的に検証される。
  論文  参考訳（メタデータ） (2024-02-01T18:40:03Z)
• Anomaly Detection via Learning-Based Sequential Controlled Sensing [25.282033825977827]
  本稿では,学習に基づく制御センシングによるバイナリプロセス間の異常検出の問題に対処する。 異常を識別するために、意思決定エージェントは、各時点でプロセスのサブセットを観察することができる。 我々の目標は、どの過程を観察するかを動的に決定するシーケンシャルな選択ポリシーを設計することである。
  論文  参考訳（メタデータ） (2023-11-30T07:49:33Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• An Accelerated Doubly Stochastic Gradient Method with Faster Explicit Model Identification [97.28167655721766]
  本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。 まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
  論文  参考訳（メタデータ） (2022-08-11T22:27:22Z)
• A2Log: Attentive Augmented Log Anomaly Detection [53.06341151551106]
  異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。 既存の教師なし手法は、適切な決定境界を得るために異常な例を必要とする。 我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。
  論文  参考訳（メタデータ） (2021-09-20T13:40:21Z)
• Top-m identification for linear bandits [0.0]
  薬物再購入への適用を動機として, 線形バンディットモデルにおける最大平均のm $ge$ 1アームの同定に取り組むための最初のアルゴリズムを提案する。 これらのアルゴリズムはgap-indexフォーカスアルゴリズム(gifa)のジェネリックファミリーに属し、線形バンドイットにおけるトップm識別に導入する。
  論文  参考訳（メタデータ） (2021-03-18T08:04:45Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)
• UC-Net: Uncertainty Inspired RGB-D Saliency Detection via Conditional Variational Autoencoders [81.5490760424213]
  データラベリングプロセスから学習することで、RGB-Dサリエンシ検出に不確実性を利用するための第1のフレームワーク(UCNet)を提案する。 そこで本研究では,サリエンシデータラベリングにヒントを得て,確率的RGB-Dサリエンシ検出ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-13T04:12:59Z)
• Active Model Estimation in Markov Decision Processes [108.46146218973189]
  マルコフ決定過程(MDP)をモデル化した環境の正確なモデル学習のための効率的な探索の課題について検討する。 マルコフに基づくアルゴリズムは,本アルゴリズムと極大エントロピーアルゴリズムの両方を小サンプル方式で上回っていることを示す。
  論文  参考訳（メタデータ） (2020-03-06T16:17:24Z)

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。