論文の概要: Causal-BALD: Deep Bayesian Active Learning of Outcomes to Infer
Treatment-Effects from Observational Data
- arxiv url: http://arxiv.org/abs/2111.02275v1
- Date: Wed, 3 Nov 2021 15:11:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-04 13:18:10.442956
- Title: Causal-BALD: Deep Bayesian Active Learning of Outcomes to Infer
Treatment-Effects from Observational Data
- Title(参考訳): Causal-BALD:観測データによる治療効果の推定結果のベイズ的アクティブラーニング
- Authors: Andrew Jesson and Panagiotis Tigas and Joost van Amersfoort and
Andreas Kirsch and Uri Shalit and Yarin Gal
- Abstract要約: 既存のアプローチは、治療と管理のために観察された結果に深いモデルを適用することに依存している。
Deep Bayesian Active Learningは、不確実性の高い点を選択することによって、効率的なデータ取得のためのフレームワークを提供する。
本稿では,重なり合う領域に対するバイアスデータ取得という情報理論に基づく因果的ベイズ獲得機能を紹介する。
- 参考スコア(独自算出の注目度): 37.15330590319357
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating personalized treatment effects from high-dimensional observational
data is essential in situations where experimental designs are infeasible,
unethical, or expensive. Existing approaches rely on fitting deep models on
outcomes observed for treated and control populations. However, when measuring
individual outcomes is costly, as is the case of a tumor biopsy, a
sample-efficient strategy for acquiring each result is required. Deep Bayesian
active learning provides a framework for efficient data acquisition by
selecting points with high uncertainty. However, existing methods bias training
data acquisition towards regions of non-overlapping support between the treated
and control populations. These are not sample-efficient because the treatment
effect is not identifiable in such regions. We introduce causal, Bayesian
acquisition functions grounded in information theory that bias data acquisition
towards regions with overlapping support to maximize sample efficiency for
learning personalized treatment effects. We demonstrate the performance of the
proposed acquisition strategies on synthetic and semi-synthetic datasets IHDP
and CMNIST and their extensions, which aim to simulate common dataset biases
and pathologies.
- Abstract(参考訳): 高次元観測データからパーソナライズされた治療効果を推定することは、実験的な設計が実現不可能、非倫理的、あるいは高価である状況において不可欠である。
既存のアプローチは、治療と管理のために観察された結果に深いモデルを適用することに依存している。
しかし、腫瘍生検の場合と同様に、個々の結果を測定するのにコストがかかる場合、各結果を取得するためのサンプル効率の戦略が必要である。
Deep Bayesian Active Learningは、不確実性の高い点を選択することによって、効率的なデータ取得のためのフレームワークを提供する。
しかし、既存の方法では、治療対象と管理対象の非重複支援領域への偏り学習データ取得が可能であった。
これらの領域では処理効果が同定できないため、試料効率は低い。
本稿では, パーソナライズされた治療効果を学習するためのサンプル効率を最大化するために, 重複する領域に対するバイアスデータ取得という情報理論に基づく因果的ベイズ買収機能を紹介する。
本稿では,合成および半合成データセットihdpおよびcmnistとその拡張における,共通データセットバイアスと病理をシミュレートすることを目的とした,提案手法の性能を示す。
関連論文リスト
- Model-Based Inference and Experimental Design for Interference Using Partial Network Data [4.76518127830168]
本稿では,部分的ネットワークデータを用いた治療効果調整の評価と推定のためのフレームワークを提案する。
部分的ネットワークデータのみを用いて治療を割り当てる手順を説明する。
本研究では,インドとマラウイにおける情報拡散と観測グラフのシミュレーション実験によるアプローチの有効性を検証した。
論文 参考訳(メタデータ) (2024-06-17T17:27:18Z) - B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under
Hidden Confounding [51.74479522965712]
本稿では,B-Learnerと呼ばれるメタラーナーを提案する。
我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
論文 参考訳(メタデータ) (2023-04-20T18:07:19Z) - DESCN: Deep Entire Space Cross Networks for Individual Treatment Effect
Estimation [7.060064266376701]
因果推論は、Eコマースや精密医療など様々な分野で広く応用されている。
本稿では,エンド・ツー・エンドの観点から治療効果をモデル化するためのDeep Entire Space Cross Networks (DESCN)を提案する。
論文 参考訳(メタデータ) (2022-07-19T01:25:31Z) - Causal Inference from Small High-dimensional Datasets [7.1894784995284144]
Causal-Batleは、小さな高次元データセットにおける治療効果を推定する手法である。
我々は、因果推論に伝達学習技術をもたらすアプローチを採用する。
論文 参考訳(メタデータ) (2022-05-19T02:04:01Z) - Combining Observational and Randomized Data for Estimating Heterogeneous
Treatment Effects [82.20189909620899]
不均一な治療効果を推定することは、多くの領域において重要な問題である。
現在、現存するほとんどの作品は観測データにのみ依存している。
本稿では、大量の観測データと少量のランダム化データを組み合わせることで、不均一な処理効果を推定する。
論文 参考訳(メタデータ) (2022-02-25T18:59:54Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-08T14:29:07Z) - CDSM -- Casual Inference using Deep Bayesian Dynamic Survival Models [3.9169188005935927]
我々はベイジアン・リカレント・サブネットワークを用いた潜在的結果フレームワークを用いて生存曲線の差を推定する因果的動的生存モデル(CDSM)を開発した。
シミュレーションされたサバイバルデータセットを使用して、CDSMはサンプル寸法、イベントレート、結束および重複のシナリオにわたる良好な因果効果推定性能を示した。
論文 参考訳(メタデータ) (2021-01-26T09:15:49Z) - Provably Efficient Causal Reinforcement Learning with Confounded
Observational Data [135.64775986546505]
オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。
提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-22T14:49:33Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳(メタデータ) (2020-06-14T01:15:00Z)
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。