論文の概要: Causal Effect Variational Autoencoder with Uniform Treatment

• arxiv url: http://arxiv.org/abs/2111.08656v1
• Date: Tue, 16 Nov 2021 17:40:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-17 15:27:15.609767
• Title: Causal Effect Variational Autoencoder with Uniform Treatment
• Title（参考訳）: 一様処理による因果効果変動オートエンコーダ
• Authors: Daniel Jiwoong Im, Kyunghyun Cho, Narges Razavian
• Abstract要約: 因果効果変動オートエンコーダ(CEVAE)をトレーニングし、観察処理データから結果を予測する。 均一処理変分オートエンコーダ (UTVAE) は, 重要サンプリングを用いて均一な処理分布を訓練する。
• 参考スコア（独自算出の注目度）: 50.895390968371665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal effect variational autoencoder (CEVAE) are trained to predict the outcome given observational treatment data, while uniform treatment variational autoencoders (UTVAE) are trained with uniform treatment distribution using importance sampling. In this paper, we show that using uniform treatment over observational treatment distribution leads to better causal inference by mitigating the distribution shift that occurs from training to test time. We also explore the combination of uniform and observational treatment distributions with inference and generative network training objectives to find a better training procedure for inferring treatment effect. Experimentally, we find that the proposed UTVAE yields better absolute average treatment effect error and precision in estimation of heterogeneous effect error than the CEVAE on synthetic and IHDP datasets.
• Abstract（参考訳）: 観察的処理データに基づいて因果効果変動オートエンコーダ(cevae)を訓練し、一方、一様処理変動オートエンコーダ(utvae)を重要サンプリングを用いて一様処理分布で訓練する。 本稿では, 観察的治療分布よりも均一な治療を行うことで, トレーニングからテスト時間への分布変化を緩和し, より良い因果推論が可能となることを示す。 また,一様および観察的処理分布と推論および生成ネットワーク学習の目的を組み合わせることで,治療効果を推定するためのより良い訓練方法を見出す。 実験により,提案手法は合成およびipdpデータセットにおけるcevaeよりも,絶対平均処理効果誤差と不均一効果誤差の推定精度が向上することがわかった。

関連論文リスト

• Causal machine learning for heterogeneous treatment effects in the presence of missing outcome data [0.9087641068861047]
  条件付き平均治療効果(CATE)に対する因果的機械学習推定器に欠落した結果データが与える影響について論じる。 我々はCATE(mDR-learner)とmEP-learner(mEP-learner)の2つの非バイアス機械学習推定器を提案する。
  論文  参考訳（メタデータ） (2024-12-27T16:10:03Z)
• Estimating Distributional Treatment Effects in Randomized Experiments: Machine Learning for Variance Reduction [6.909352249236339]
  ランダム化実験における分散処理効果パラメータを推定するための新しい回帰調整法を提案する。 提案手法では,事前処理による協調処理を分散回帰フレームワークに組み込み,機械学習技術を用いて分散処理効果推定器の精度を向上させる。
  論文  参考訳（メタデータ） (2024-07-22T20:28:29Z)
• Continuous Treatment Effect Estimation Using Gradient Interpolation and Kernel Smoothing [43.259723628010896]
  個人を個別に標本化し,反現実的結果を推測する直接的アプローチを提唱する。 提案手法を5つのベンチマークで評価し,提案手法が6つの最先端手法よりも精度が高いことを示す。
  論文  参考訳（メタデータ） (2024-01-27T15:52:58Z)
• 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)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
  ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。 この課題に対処するための新しいクロスバリデーションのような方法論を提供する。 本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
  論文  参考訳（メタデータ） (2021-12-14T17:53:01Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• Estimating heterogeneous survival treatment effect in observational data using machine learning [9.951103976634407]
  観測データにおける不均一な処理効果を推定する方法は, 連続的あるいは二分的な結果に大きく焦点を絞っている。 対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個人特性による課題に対処するための有望なアプローチである。
  論文  参考訳（メタデータ） (2020-08-17T01:02:14Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。