論文の概要: Efficient Online Estimation of Causal Effects by Deciding What to Observe

• arxiv url: http://arxiv.org/abs/2108.09265v1
• Date: Fri, 20 Aug 2021 17:00:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-23 13:21:45.586337
• Title: Efficient Online Estimation of Causal Effects by Deciding What to Observe
• Title（参考訳）: 観察対象の決定による因果効果の効率的なオンライン推定
• Authors: Shantanu Gupta, Zachary C. Lipton, David Childers
• Abstract要約: 確率モデル(例えば因果効果)の任意の機能(例えば、因果効果)を可能な限り効率的に推定し、どのデータソースを問合せするかを各タイミングで決定することを目的としている。 モーメント条件として構造的仮定を符号化するフレームワークであるオンラインモーメント選択(OMS)を提案する。 我々のアルゴリズムは、現在のモーメントの推定値から示唆される最良の行動を選択することで探索のバランスをとる。
• 参考スコア（独自算出の注目度）: 26.222870185443913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Researchers often face data fusion problems, where multiple data sources are available, each capturing a distinct subset of variables. While problem formulations typically take the data as given, in practice, data acquisition can be an ongoing process. In this paper, we aim to estimate any functional of a probabilistic model (e.g., a causal effect) as efficiently as possible, by deciding, at each time, which data source to query. We propose online moment selection (OMS), a framework in which structural assumptions are encoded as moment conditions. The optimal action at each step depends, in part, on the very moments that identify the functional of interest. Our algorithms balance exploration with choosing the best action as suggested by current estimates of the moments. We propose two selection strategies: (1) explore-then-commit (OMS-ETC) and (2) explore-then-greedy (OMS-ETG), proving that both achieve zero asymptotic regret as assessed by MSE. We instantiate our setup for average treatment effect estimation, where structural assumptions are given by a causal graph and data sources may include subsets of mediators, confounders, and instrumental variables.
• Abstract（参考訳）: 研究者はしばしばデータ融合の問題に直面し、複数のデータソースが利用可能であり、それぞれが異なる変数のサブセットをキャプチャする。 問題定式化は典型的にはデータを取得するが、実際にはデータ取得は進行中のプロセスである。 本稿では,どのデータソースに対して問い合わせを行うかを決定することにより,確率モデル(例えば因果効果)の任意の関数を可能な限り効率的に推定することを目的とする。 モーメント条件として構造的仮定を符号化するフレームワークであるオンラインモーメント選択(OMS)を提案する。 各ステップにおける最適な行動は、部分的には、関心の機能を識別する瞬間に依存する。 我々のアルゴリズムは、現在のモーメントの推定値から示唆される最良の行動を選択することで探索のバランスをとる。 我々は,(1)探索-then-commit (OMS-ETC) と(2)探索-then-greedy (OMS-ETG) の2つの選択戦略を提案する。 平均処理効果推定のセットアップをインスタンス化し、因果グラフによって構造的仮定が与えられ、データソースには仲介者、共同設立者、機器変数のサブセットが含まれる可能性がある。

関連論文リスト

• Unifying and Optimizing Data Values for Selection via Sequential-Decision-Making [5.755427480127593]
  本研究では,選択に適用されるデータ値を逐次決定問題として再定義可能であることを示す。 本稿では,学習された二部グラフを代理ユーティリティモデルとして用いた効率的な近似手法を提案する。
  論文  参考訳（メタデータ） (2025-02-06T23:03:10Z)
• Online Data Collection for Efficient Semiparametric Inference [41.49486724979923]
  提案する2つのオンラインデータ収集ポリシーであるExplore-then-CommitとExplore-then-Greedyは、パラメータ推定を所定の時間で使用して、将来のステップで残りの予算を最適に割り当てる。 両政策がオラクル政策に対してゼロ後悔(MSEによる評価)を達成することを実証する。
  論文  参考訳（メタデータ） (2024-11-05T15:40:53Z)
• Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
  我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。 選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。 また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-29T20:56:34Z)
• Scalable Decentralized Algorithms for Online Personalized Mean Estimation [12.002609934938224]
  本研究は,各エージェントが実数値分布からサンプルを収集し,その平均値を推定する,オーバーアーキシング問題の簡易版に焦点を当てた。 1つは信念の伝播からインスピレーションを得ており、もう1つはコンセンサスに基づくアプローチを採用している。
  論文  参考訳（メタデータ） (2024-02-20T08:30:46Z)
• 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)
• PeSOTIF: a Challenging Visual Dataset for Perception SOTIF Problems in Long-tail Traffic Scenarios [12.17821905210185]
  本稿では,複数の資源から収集した長距離交通シナリオの高品質なデータセットを提供する。 確率的オブジェクト検出(POD)の開発を考えると、このデータセットは、シナリオ内のSOTIF問題をキーオブジェクトとして認識する原因となるかもしれないトリガー源を示す。 本稿では、このデータセットをSOTIF研究に活用する方法を示すために、SOTIFエントロピーの知覚を定量化し、シナリオが未知であり、認識システムに安全でないかどうかを確認する。
  論文  参考訳（メタデータ） (2022-11-07T10:07:30Z)
• Multi-Source Causal Inference Using Control Variates [81.57072928775509]
  本稿では,複数のデータソースから因果効果を推定するアルゴリズムを提案する。 理論的には、これはATE推定値の分散を減少させる。 このフレームワークを結果選択バイアスの下で観測データからの推論に適用する。
  論文  参考訳（メタデータ） (2021-03-30T21:20:51Z)
• Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
  データ管理の統合コンポーネントにおける公平性について検討する。 本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-10T20:20:10Z)
• Dynamic Federated Learning [57.14673504239551]
  フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。 我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。 集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
  論文  参考訳（メタデータ） (2020-02-20T15:00:54Z)
• Improving Multi-Turn Response Selection Models with Complementary Last-Utterance Selection by Instance Weighting [84.9716460244444]
  我々は、データリソース自体の根底にある相関を利用して、異なる種類の監視信号を導出することを検討する。 2つの公開データセットで広範な実験を行い、両方のデータセットで大幅に改善した。
  論文  参考訳（メタデータ） (2020-02-18T06:29:01Z)

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。