論文の概要: Towards Principled Causal Effect Estimation by Deep Identifiable Models
- arxiv url: http://arxiv.org/abs/2109.15062v1
- Date: Thu, 30 Sep 2021 12:19:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-01 14:58:18.776577
- Title: Towards Principled Causal Effect Estimation by Deep Identifiable Models
- Title(参考訳): 深部同定モデルによる因果効果推定の原理化に向けて
- Authors: Pengzhou Wu and Kenji Fukumizu
- Abstract要約: 本研究では, 未観測条件下での処理効果 (TE) の推定について検討する。
本稿では,変分オートエンコーダ(VAE)の新たな変種であるIntact-VAEを提案する。
- 参考スコア(独自算出の注目度): 21.33872753593482
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As an important problem of causal inference, we discuss the estimation of
treatment effects (TEs) under unobserved confounding. Representing the
confounder as a latent variable, we propose Intact-VAE, a new variant of
variational autoencoder (VAE), motivated by the prognostic score that is
sufficient for identifying TEs. Our VAE also naturally gives representation
balanced for treatment groups, using its prior. Experiments on (semi-)synthetic
datasets show state-of-the-art performance under diverse settings. Based on the
identifiability of our model, further theoretical developments on
identification and consistent estimation are also discussed. This paves the way
towards principled causal effect estimation by deep neural networks.
- Abstract(参考訳): 因果推論の重要な問題として,未観測の条件下での治療効果(TE)の推定について議論する。
共同創設者を潜在変数として表現し,tesの同定に十分な予後スコアに動機づけられた変分オートエンコーダ(vae)の新しい変種であるalt-vaeを提案する。
当社のVAEは、治療グループのためのバランスの取れた表現も自然に提供しています。
半)合成データセットの実験は、様々な設定で最先端のパフォーマンスを示す。
また,モデルの同定可能性に基づいて,同定と一貫した推定に関するさらなる理論的発展についても論じる。
これはディープニューラルネットワークによる因果効果の原理的推定への道を開く。
関連論文リスト
- Causal Effect Estimation using identifiable Variational AutoEncoder with Latent Confounders and Post-Treatment Variables [18.34462010115951]
観測データから因果効果を推定することは、特に潜伏した共同創設者の存在下では困難である。
本稿では,潜在共同創設者と潜在後処理変数の表現を学習するための,新しい変分オートエンコーダ(VAE)と識別可能な変分オートエンコーダ(iVAE)を提案する。
論文 参考訳(メタデータ) (2024-08-13T22:13:25Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳(メタデータ) (2023-11-13T01:48:08Z) - Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。
主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文 参考訳(メタデータ) (2023-10-24T07:46:10Z) - Heterogeneous Treatment Effect Estimation for Observational Data using
Model-based Forests [0.0]
本研究では,観測データにおける不整合問題に対処するため,モデルに基づく森林の修正を提案する。
この戦略は,様々な結果分布を模擬した実験において,コンバウンディング効果を低減させることがわかった。
筋萎縮性側索硬化症の進行に対するリルゾールの潜在的ヘテロジニアス効果を評価することにより,HTEの生存率と経時的成績を推定する実践的側面を示す。
論文 参考訳(メタデータ) (2022-10-06T11:49:39Z) - Neural Causal Models for Counterfactual Identification and Estimation [62.30444687707919]
本稿では,ニューラルモデルによる反事実文の評価について検討する。
まず、神経因果モデル(NCM)が十分に表現可能であることを示す。
第2に,反事実分布の同時同定と推定を行うアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-09-30T18:29:09Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳(メタデータ) (2022-06-16T17:59:05Z) - How Tempering Fixes Data Augmentation in Bayesian Neural Networks [22.188535244056016]
テンパリングは、拡張のモデリングから生じる誤特定を暗黙的に減らし、すなわちデータとして示す。
温度は有効サンプルサイズの役割を模倣し、増強によって提供される情報の利得を反映している。
論文 参考訳(メタデータ) (2022-05-27T11:06:56Z) - \beta-Intact-VAE: Identifying and Estimating Causal Effects under
Limited Overlap [21.33872753593482]
生体統計学において広く用いられ,治療効果に十分である予後スコアをモデル化するために潜伏変数を用いる。
本研究では,潜伏変数が予後スコアを回復し,個々の治療効果を同定する。
個別化特徴量で条件付き処理グループにバランスのとれた表現を可能にするTEエラー境界を導出する。
論文 参考訳(メタデータ) (2021-10-11T12:43:29Z) - Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。
IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
論文 参考訳(メタデータ) (2021-07-26T10:40:59Z) - Generative Counterfactuals for Neural Networks via Attribute-Informed
Perturbation [51.29486247405601]
AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。
異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。
実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
論文 参考訳(メタデータ) (2021-01-18T08:37:13Z) - Intact-VAE: Estimating Treatment Effects under Unobserved Confounding [21.33872753593482]
Intact-VAEは、治療効果の特定に十分である予後スコアに動機づけられた新しいバリエーションの可変オートエンコーダ(VAE)である。
理論的には,ある条件下では治療効果をモデルによって同定し,さらに,モデルの識別性に基づいて,vaeは治療群に対してバランスの取れた一貫した推定器であることを示した。
論文 参考訳(メタデータ) (2021-01-17T13:03:44Z)
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。