論文の概要: Optimization-based Causal Estimation from Heterogenous Environments
- arxiv url: http://arxiv.org/abs/2109.11990v1
- Date: Fri, 24 Sep 2021 14:21:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-27 14:19:41.484051
- Title: Optimization-based Causal Estimation from Heterogenous Environments
- Title（参考訳）: 異種環境からの最適化に基づく因果推定
- Authors: Mingzhang Yin, Yixin Wang, David M. Blei
- Abstract要約: CoCoは、純粋な予測と因果推論のギャップを埋める最適化アルゴリズムである。
本稿では,本手法の理論的基礎を説明し,シミュレーションおよび実データに対する有効性を示す。
- 参考スコア（独自算出の注目度）: 47.828538566011225
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a new optimization approach to causal estimation. Given
data that contains covariates and an outcome, which covariates are causes of
the outcome, and what is the strength of the causality? In classical machine
learning (ML), the goal of optimization is to maximize predictive accuracy.
However, some covariates might exhibit a non-causal association to the outcome.
Such spurious associations provide predictive power for classical ML, but they
prevent us from causally interpreting the result. This paper proposes CoCo, an
optimization algorithm that bridges the gap between pure prediction and causal
inference. CoCo leverages the recently-proposed idea of environments, datasets
of covariates/response where the causal relationships remain invariant but
where the distribution of the covariates changes from environment to
environment. Given datasets from multiple environments -- and ones that exhibit
sufficient heterogeneity -- CoCo maximizes an objective for which the only
solution is the causal solution. We describe the theoretical foundations of
this approach and demonstrate its effectiveness on simulated and real datasets.
Compared to classical ML and existing methods, CoCo provides more accurate
estimates of the causal model.
- Abstract（参考訳）: 本稿では,因果推定の新しい最適化手法を提案する。
共変量と結果を含むデータがあり、どの共変量がその結果の原因であり、因果性の強さは何か?
古典機械学習(ML)では、最適化の目的は予測精度を最大化することである。
しかし、一部の共変種は結果と非因果関係を示すかもしれない。
このような急激な協会は、古典的なMLに予測力を提供しますが、結果の因果的解釈を妨げます。
本稿では,純粋予測と因果推論のギャップを埋める最適化アルゴリズムCoCoを提案する。
CoCoは、最近提案された環境の概念、因果関係が不変であるが、共変数の分布が環境から環境に変化するような共変数/応答のデータセットを活用している。
複数の環境、そして十分な不均一性を示すデータセットが与えられた場合、CoCoは唯一の解決策が因果解である目的を最大化する。
本稿では,本手法の理論的基礎を説明し,シミュレーションおよび実データに対する有効性を示す。
従来のMLや既存の手法と比較して、CoCoは因果モデルのより正確な推定を提供する。
関連論文リスト
- Statistical ranking with dynamic covariates [6.729750785106628]
確率推定器 (MLE) を計算するための効率的な交互アルゴリズムを提案する。
馬の競馬やテニス競技を含む実世界のデータセットに提案したモデルの適用を実証するために,我々の理論的知見を裏付ける包括的数値的研究を行った。
論文 参考訳（メタデータ） (2024-06-24T10:26:05Z) - Learning When the Concept Shifts: Confounding, Invariance, and Dimension Reduction [5.38274042816001]
観測データでは、分布シフトは観測されていない共起因子によって駆動されることが多い。
このことは、観測データを用いた領域適応問題の研究を動機付けます。
学習した低次元部分空間を用いて、ターゲットとソースのリスクの間にほぼ理想的なギャップを生じさせるモデルを示す。
論文 参考訳（メタデータ） (2024-06-22T17:43:08Z) - Tackling Prevalent Conditions in Unsupervised Combinatorial Optimization: Cardinality, Minimum, Covering, and More [28.920691288421484]
我々は、非監督的なCOにおける一般的な(つまり、一般的に関与する)条件に取り組むことを目指している。
まず、客観的な構築とデランドマイズのための目標を理論的に正当化する。
次に, 異なるCO問題に共通する諸条件に対して, 非自明な目的と, 目的を満たすためのデランドマイズを導出する。
論文 参考訳（メタデータ） (2024-05-14T08:35:39Z) - Efficient adjustment for complex covariates: Gaining efficiency with
DOPE [56.537164957672715]
共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。
理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。
その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
論文 参考訳（メタデータ） (2024-02-20T13:02:51Z) - TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。
近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。
1)予測共分散は予測平均のランダム性を真に捉えているか?
その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文 参考訳（メタデータ） (2023-10-29T09:54:03Z) - Does Misclassifying Non-confounding Covariates as Confounders Affect the
Causal Inference within the Potential Outcomes Framework? [4.074237603319893]
潜在的なアウトカム・フレームワーク(POF)は因果推論の分野で重要な役割を果たしている。
我々はCIMs-POFのための統一的なグラフィカル・フレームワークを提案し、これらのモデルの基本原理の理解を大幅に強化する。
論文 参考訳（メタデータ） (2023-08-22T13:18:13Z) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳（メタデータ） (2021-01-06T17:36:26Z) - Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。
因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文 参考訳（メタデータ） (2020-11-04T10:00:27Z) - Invariant Rationalization [84.1861516092232]
典型的な合理化基準、すなわち最大相互情報(MMI)は、合理性のみに基づいて予測性能を最大化する合理性を見つける。
ゲーム理論の不変な有理化基準を導入し、各環境において同じ予測器を最適にするために、有理を制約する。
理論的にも実証的にも、提案された理性は、素早い相関を除外し、異なるテストシナリオをより一般化し、人間の判断とよく一致させることができることを示す。
論文 参考訳（メタデータ） (2020-03-22T00:50:27Z)
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。