論文の概要: Improving Causal Effect Estimation of Weighted RegressionBased Estimator using Neural Networks

• arxiv url: http://arxiv.org/abs/2110.15075v1
• Date: Thu, 28 Oct 2021 12:52:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-30 01:33:33.994313
• Title: Improving Causal Effect Estimation of Weighted RegressionBased Estimator using Neural Networks
• Title（参考訳）: ニューラルネットワークを用いた重み付き回帰推定器の因果効果推定の改善
• Authors: Plabon Shaha, Talha Islam Zadid, Ismat Rahman, Md. Mosaddek Khan
• Abstract要約: 観測データから因果効果を推定すると、自律システムにおいてどの要因が重要であるかがわかる。 サンプルの非線形および有限性の場合の解の質を改善するニューラルネットワークに基づく推定器を導入する。
• 参考スコア（独自算出の注目度）: 2.752817022620644
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Estimating causal effects from observational data informs us about which factors are important in an autonomous system, and enables us to take better decisions. This is important because it has applications in selecting a treatment in medical systems or making better strategies in industries or making better policies for our government or even the society. Unavailability of complete data, coupled with high cardinality of data, makes this estimation task computationally intractable. Recently, a regression-based weighted estimator has been introduced that is capable of producing solution using bounded samples of a given problem. However, as the data dimension increases, the solution produced by the regression-based method degrades. Against this background, we introduce a neural network based estimator that improves the solution quality in case of non-linear and finitude of samples. Finally, our empirical evaluation illustrates a significant improvement of solution quality, up to around $55\%$, compared to the state-of-the-art estimators.
• Abstract（参考訳）: 観察データから因果効果を推定することで、自律システムにおいてどの要因が重要であるかが分かり、より良い意思決定が可能になる。 これは、医療システムにおける治療の選択、産業におけるより良い戦略の策定、政府や社会に対するより良い政策の策定に応用できるためである。 完全データの有効性は、データの高濃度性と相まって、この推定タスクを計算的に難解にする。 近年, ある問題の有界サンプルを用いて解を生成可能な回帰型重み付き推定器が導入された。 しかし、データ次元が大きくなるにつれて、回帰法によって生成される解は劣化する。 このような背景から,サンプルの非線形および有限性の場合の解品質を改善するニューラルネットワークに基づく推定器を導入する。 最後に、我々の経験的評価は、最先端の予測装置と比較して、ソリューションの品質が最大で55%向上したことを示している。

関連論文リスト

• Y-Drop: A Conductance based Dropout for fully connected layers [63.029110722758496]
  我々は、より重要なニューロンを高い確率で落とすために、ドロップアウトアルゴリズムをバイアスする正規化手法Y-Dropを紹介する。 重要なユニットが存在しない場合、ネットワークにタスクの解決を強制することは、強い正規化効果をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-09-11T15:56:08Z)
• C-XGBoost: A tree boosting model for causal effect estimation [8.246161706153805]
  因果効果推定は、平均処理効果と、治療の条件平均処理効果を、利用可能なデータから得られる結果に推定することを目的としている。 本稿では,C-XGBoost という新たな因果推論モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-31T17:43:37Z)
• Mobile Internet Quality Estimation using Self-Tuning Kernel Regression [7.6449549886709764]
  合衆国の州の規模でモバイル(携帯電話)のインターネット品質を推定することを検討する。 ほとんどのサンプルは限られた領域に集中しているが、残りはごくわずかである。 本稿では,データ不均衡の悪影響を軽減するために自己調整型カーネルを用いた適応型カーネル回帰手法を提案する。
  論文  参考訳（メタデータ） (2023-11-04T21:09:46Z)
• Robust Fitted-Q-Evaluation and Iteration under Sequentially Exogenous Unobserved Confounders [16.193776814471768]
  連続的に外生的でない共同設立者が存在する場合、ロバストな政策評価と政策最適化について検討する。 本研究は,敗血症治療のシミュレーションと実世界の縦断医療データの両方において,複雑性境界,洞察,有効性を示す。
  論文  参考訳（メタデータ） (2023-02-01T18:40:53Z)
• An improved neural network model for treatment effect estimation [3.1372269816123994]
  本稿では,ニューラルネットワークアーキテクチャに基づく潜在的結果と妥当性スコアを予測するための新しいモデルを提案する。 数値実験により, 提案モデルでは, 最先端モデルと比較して, 処理効果推定性能が向上していることが示されている。
  論文  参考訳（メタデータ） (2022-05-23T07:56:06Z)
• Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
  人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。 本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。 理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
  論文  参考訳（メタデータ） (2022-01-31T20:58:47Z)
• Debiasing In-Sample Policy Performance for Small-Data, Large-Scale Optimization [4.554894288663752]
  本稿では,データ駆動最適化におけるポリシのアウト・オブ・サンプル性能の新たな推定法を提案する。 クロスバリデーションとは異なり、我々の手法はテストセットのデータを犠牲にするのを避ける。 我々は,小規模・大規模システムにおける推定器の性能を実証する。
  論文  参考訳（メタデータ） (2021-07-26T19:00:51Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• An Uncertainty-based Human-in-the-loop System for Industrial Tool Wear Analysis [68.8204255655161]
  人間のループシステムにおけるモンテカルロのドロップアウトに基づく不確実性対策により,システムの透明性と性能が向上することを示す。 シミュレーション研究により、不確実性に基づく「ループ内人間システム」は、様々なレベルの人間の関与に対する性能を高めることが示されている。
  論文  参考訳（メタデータ） (2020-07-14T15:47:37Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。