論文の概要: Matching for causal effects via multimarginal optimal transport

• arxiv url: http://arxiv.org/abs/2112.04398v1
• Date: Wed, 8 Dec 2021 16:45:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-09 15:24:16.650365
• Title: Matching for causal effects via multimarginal optimal transport
• Title（参考訳）: 多元的最適輸送による因果効果のマッチング
• Authors: Florian Gunsilius and Yuliang Xu
• Abstract要約: 本稿では,エントロピー規則化マルチマルジナル最適輸送に基づく自然な最適マッチング手法を提案する。 集団の最適な重量にパラメトリックレートで収束する一致した個体の解釈可能な重量を提供し、古典的な反復比例フィッティング法によって効率的に実装することができ、同時に複数の治療用アームをマッチングすることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Matching on covariates is a well-established framework for estimating causal effects in observational studies. The principal challenge in these settings stems from the often high-dimensional structure of the problem. Many methods have been introduced to deal with this challenge, with different advantages and drawbacks in computational and statistical performance and interpretability. Moreover, the methodological focus has been on matching two samples in binary treatment scenarios, but a dedicated method that can optimally balance samples across multiple treatments has so far been unavailable. This article introduces a natural optimal matching method based on entropy-regularized multimarginal optimal transport that possesses many useful properties to address these challenges. It provides interpretable weights of matched individuals that converge at the parametric rate to the optimal weights in the population, can be efficiently implemented via the classical iterative proportional fitting procedure, and can even match several treatment arms simultaneously. It also possesses demonstrably excellent finite sample properties.
• Abstract（参考訳）: 共変量のマッチングは、観察研究における因果効果を推定するための確立された枠組みである。 これらの設定の主な課題は、しばしば高次元構造が原因である。 この課題に対処するために多くの方法が導入されたが、計算と統計のパフォーマンスと解釈可能性に異なる利点と欠点がある。 さらに,2次治療シナリオにおける2つのサンプルのマッチングに焦点が当てられてきたが,複数の治療におけるサンプルのバランスを最適に調整できる専用手法は,これまで利用できなかった。 本稿では,これらの課題に対処するために,多くの有用な特性を有するエントロピー規則化マルチマルジナル最適輸送に基づく自然な最適マッチング手法を提案する。 パラメトリック率で集団の最適重みに収束する一致した個人の解釈可能な重みを与え、古典的反復比例結合法によって効率的に実施でき、同時に複数の治療腕に合わせることもできる。 また、非常に優れた有限なサンプル特性を持つ。

関連論文リスト

• On Sampling Strategies for Spectral Model Sharding [7.185534285278903]
  本研究では,そのようなシャーディングのための2つのサンプリング戦略を提案する。 第1は元の重みの偏りのない推定器を生成し、第2は正方形の近似誤差を最小限にすることを目的としている。 これら2つの手法が,様々な一般的なデータセットの性能向上につながることを実証した。
  論文  参考訳（メタデータ） (2024-10-31T16:37:25Z)
• Differentiable Pareto-Smoothed Weighting for High-Dimensional Heterogeneous Treatment Effect Estimation [0.6906005491572401]
  重み付き表現学習による数値的ロバストな推定器を開発する。 提案手法は,重み値を効果的に補正することにより,既存手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2024-04-26T15:34:04Z)
• Optimal Transport for Treatment Effect Estimation [42.50410909962438]
  観測データから条件平均処理効果を推定することは, 処理選択バイアスが存在するため, 極めて困難である。 代表的な方法は、潜在空間における異なる処理群の分布を整列させることによってこの問題を軽減することである。 本稿では,因果関係の文脈において最適な輸送手段であるEntire Space CounterFactual Regression (ESCFR)を提案する。
  論文  参考訳（メタデータ） (2023-10-27T17:22:45Z)
• High-Probability Convergence for Composite and Distributed Stochastic Minimization and Variational Inequalities with Heavy-Tailed Noise [96.80184504268593]
  グラデーション、クリッピングは、優れた高確率保証を導き出すアルゴリズムの鍵となる要素の1つである。 クリッピングは、合成および分散最適化の一般的な方法の収束を損なう可能性がある。
  論文  参考訳（メタデータ） (2023-10-03T07:49:17Z)
• Comparison of Methods that Combine Multiple Randomized Trials to Estimate Heterogeneous Treatment Effects [0.1398098625978622]
  複数のランダム化制御試験を活用することで、データセットと未確立の処理割り当ての組み合わせが可能になる。 本稿では,複数試行データを用いて不均一な治療効果を推定するための非パラメトリックなアプローチについて述べる。
  論文  参考訳（メタデータ） (2023-03-28T20:43:00Z)
• TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective [50.675845725806724]
  個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。 TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。 提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
  論文  参考訳（メタデータ） (2022-12-17T15:01:05Z)
• On Inductive Biases for Heterogeneous Treatment Effect Estimation [91.3755431537592]
  我々は、異なる治療下で、個人の潜在的成果(PO)の構造的類似性を利用する方法について検討する。 この問題を克服するために、エンドツーエンドの学習戦略を3つ比較する。
  論文  参考訳（メタデータ） (2021-06-07T16:30:46Z)
• Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
  暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。 ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。 本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-11T03:38:16Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• Robust Optimal Transport with Applications in Generative Modeling and Domain Adaptation [120.69747175899421]
  ワッサーシュタインのような最適輸送(OT)距離は、GANやドメイン適応のようないくつかの領域で使用されている。 本稿では,現代のディープラーニングアプリケーションに適用可能な,ロバストなOT最適化の計算効率のよい2つの形式を提案する。 提案手法では, ノイズの多いデータセット上で, 外部分布で劣化したGANモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-10-12T17:13:40Z)

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。