論文の概要: Unit Selection with Causal Diagram
- arxiv url: http://arxiv.org/abs/2109.07556v1
- Date: Wed, 15 Sep 2021 20:06:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-18 08:06:31.238549
- Title: Unit Selection with Causal Diagram
- Title(参考訳): 因果図を用いた単位選択
- Authors: Ang Li and Judea Pearl
- Abstract要約: 単体選択問題は、望ましい行動様式を示す可能性が最も高い個人を特定することを目的としている。
実験データと観測データを組み合わせることで、LiとPearlは「適合関数」の厳密な境界を導出した
- 参考スコア(独自算出の注目度): 27.872692504502286
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The unit selection problem aims to identify a set of individuals who are most
likely to exhibit a desired mode of behavior, for example, selecting
individuals who would respond one way if encouraged and a different way if not
encouraged. Using a combination of experimental and observational data, Li and
Pearl derived tight bounds on the "benefit function" - the payoff/cost
associated with selecting an individual with given characteristics. This paper
shows that these bounds can be narrowed significantly (enough to change
decisions) when structural information is available in the form of a causal
model. We address the problem of estimating the benefit function using
observational and experimental data when specific graphical criteria are
assumed to hold.
- Abstract(参考訳): 単位選択問題(unit selection problem)は、望ましい行動様式を示す可能性が最も高い集団を特定することを目的としている。
実験データと観測データの組み合わせを用いて、LiとPearlは、与えられた特性を持つ個人を選択することで得られる「便益関数」に関する厳密な境界を導出した。
本稿では,これらの境界を,因果モデルという形で構造的情報が得られる場合に,かなり狭めることができることを示す。
特定のグラフィカルな基準が成立すると仮定された場合,観測データと実験データを用いて利益関数を推定する問題に対処する。
関連論文リスト
- 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) - Causal Feature Selection via Transfer Entropy [59.999594949050596]
因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。
本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。
精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
論文 参考訳(メタデータ) (2023-10-17T08:04:45Z) - 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) - Stubborn Lexical Bias in Data and Models [50.79738900885665]
我々は、データに基づいてトレーニングされたモデルに、データのスプリアスパターンが現れるかどうかを調べるために、新しい統計手法を用いる。
トレーニングデータに*reweight*に最適化アプローチを適用し、数千のスプリアス相関を低減します。
驚くべきことに、この方法ではトレーニングデータの語彙バイアスを低減できますが、トレーニングされたモデルで対応するバイアスの強い証拠がまだ見つかっていません。
論文 参考訳(メタデータ) (2023-06-03T20:12:27Z) - In Search of Insights, Not Magic Bullets: Towards Demystification of the
Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。
選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
論文 参考訳(メタデータ) (2023-02-06T16:55:37Z) - Unit Selection: Learning Benefit Function from Finite Population Data [40.99426447422972]
単位選択問題は、評価と探索サブプロブレムからなる。
本稿では,有限集団データから推定可能な恩恵関数のバウンダリを用いた機械学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-15T05:48:01Z) - Unit Selection: Case Study and Comparison with A/B Test Heuristic [20.750773939911685]
We show that Li and Pearl's unit selection model is beyond the A/B test。
我々は、Li-Pearlの単位選択モデルのよりシミュレートされたユースケースを提供し、意思決定者がモデルを正しく適用するのを助ける。
論文 参考訳(メタデータ) (2022-10-10T22:09:35Z) - Unit Selection with Nonbinary Treatment and Effect [20.750773939911685]
単体選択問題は、望ましい行動様式を示す可能性が最も高い個人を特定することを目的としている。
実験データと観測データを組み合わせることで、LiとPearlは「適合関数」の厳密な境界を導出した
本稿では, 処理と効果が二項に制限されないように, 便益関数を一般形式に拡張する。
論文 参考訳(メタデータ) (2022-08-20T00:01:46Z) - Bounding Counterfactuals under Selection Bias [60.55840896782637]
本稿では,識別不能なクエリと識別不能なクエリの両方に対処するアルゴリズムを提案する。
選択バイアスによって引き起こされる欠如にもかかわらず、利用可能なデータの可能性は無限であることを示す。
論文 参考訳(メタデータ) (2022-07-26T10:33:10Z) - Causes of Effects: Learning individual responses from population data [23.593582720307207]
個別化の問題とその医学への応用について研究する。
例えば、治療の恩恵を受ける確率は、治療された場合の好ましくない結果と、治療されていない場合の好ましくない結果である。
必要十分度(PNS)の確率に限界を当て、グラフィカルな基準や実用的応用とともに既存の研究を分析・拡大します。
論文 参考訳(メタデータ) (2021-04-28T12:38:11Z) - Causal Markov Boundaries [0.0]
観測データを用いて特徴選択と効果推定を改善する方法を紹介します。
本論文では,マルコフ境界の概念を治療成果ペアに拡張する。
論文 参考訳(メタデータ) (2021-03-12T22:49:10Z)
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。