論文の概要: Deep Treatment-Adaptive Network for Causal Inference

• arxiv url: http://arxiv.org/abs/2112.13502v1
• Date: Mon, 27 Dec 2021 04:11:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-28 16:26:03.018325
• Title: Deep Treatment-Adaptive Network for Causal Inference
• Title（参考訳）: 因果推論のための深層治療適応ネットワーク
• Authors: Qian Li, Zhichao Wang, Shaowu Liu, Gang Li, Guandong Xu
• Abstract要約: 因果推論は治療効果(すなわち治療の因果効果)を推定することができる この研究の根本的な課題は、観察データにおける治療代入バイアスである。
• 参考スコア（独自算出の注目度）: 15.695128606661294
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Causal inference is capable of estimating the treatment effect (i.e., the causal effect of treatment on the outcome) to benefit the decision making in various domains. One fundamental challenge in this research is that the treatment assignment bias in observational data. To increase the validity of observational studies on causal inference, representation based methods as the state-of-the-art have demonstrated the superior performance of treatment effect estimation. Most representation based methods assume all observed covariates are pre-treatment (i.e., not affected by the treatment), and learn a balanced representation from these observed covariates for estimating treatment effect. Unfortunately, this assumption is often too strict a requirement in practice, as some covariates are changed by doing an intervention on treatment (i.e., post-treatment). By contrast, the balanced representation learned from unchanged covariates thus biases the treatment effect estimation.
• Abstract（参考訳）: 因果推論は、様々な領域における意思決定に利益をもたらす治療効果(すなわち、結果に対する治療の因果効果)を推定することができる。 この研究の基本的な課題は、観察データにおける治療課題の偏りである。 因果推論に関する観察的研究の妥当性を高めるために,最先端の表現ベース手法が治療効果推定の優れた性能を示している。 ほとんどの表現に基づく方法は、すべての観察された共変体が前処理(すなわち、治療の影響を受けない)であると仮定し、これらの観察された共変体から平衡表現を学び、治療効果を推定する。 残念なことに、この仮定は実際には厳格すぎるため、一部の共変種は治療の介入(つまり後処理)によって変更される。 対照的に、変化しない共変量から学習した平衡表現は、処理効果の推定をバイアスする。

関連論文リスト

• Disentangled Representation via Variational AutoEncoder for Continuous Treatment Effect Estimation [1.105274635981989]
  可変オートエンコーダ(DRVAE)を用いた新しいDose-Response曲線推定器を提案する。 我々のモデルは現在の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-04T13:41:07Z)
• Adversarially Balanced Representation for Continuous Treatment Effect Estimation [6.469020202994118]
  本稿では,この処理が連続変数である,より実践的で困難なシナリオについて考察する。 本稿では,KL分散の表現の不均衡を対角的に最小化する対向反事実回帰ネットワーク(ACFR)を提案する。 半合成データセットに対する実験的な評価は、ACFRの最先端手法に対する経験的優位性を実証するものである。
  論文  参考訳（メタデータ） (2023-12-17T00:46:16Z)
• The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation [53.81860494566915]
  既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。 多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。 この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
  論文  参考訳（メタデータ） (2023-09-29T14:33:48Z)
• 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)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• Causal Effect Variational Autoencoder with Uniform Treatment [50.895390968371665]
  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。
  論文  参考訳（メタデータ） (2021-11-16T17:40:57Z)
• 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)
• Causal Effect Estimation using Variational Information Bottleneck [19.6760527269791]
  因果推論とは、介入が適用されるときの因果関係における因果効果を推定することである。 変分情報ボトルネック(CEVIB)を用いて因果効果を推定する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T13:46:12Z)
• Weighting-Based Treatment Effect Estimation via Distribution Learning [14.438302755258547]
  本研究では,処理効果推定のための分布学習に基づく重み付け手法を開発した。 提案手法は,最先端の重み付けのみのベンチマーク手法よりも優れている。 2倍のロス率推定フレームワークの下では、その優位性を維持している。
  論文  参考訳（メタデータ） (2020-12-26T20:15:44Z)
• Learning Decomposed Representation for Counterfactual Inference [53.36586760485262]
  観察データから治療効果を推定する際の根本的な問題は、共同設立者の識別とバランスである。 これまでの方法の多くは、観察されたすべての事前処理変数を共同創設者として扱い、共同創設者と非共同創設者の識別をさらに無視することで、共同ファウンダーのバランスを実現していた。 本研究では,1)共同創設者と非共同創設者の両方の表現を学習することで共同創設者を同定し,2)再重み付け手法のバランスをとるとともに,同時に,反実的推論による観察研究における治療効果を推定する相乗的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-12T09:50:42Z)
• Treatment effect estimation with disentangled latent factors [24.803992990503186]
  本研究では, 平均および条件付き平均処理効果推定において, 機器およびリスク要因との相違因子の識別の重要性を示す。 本研究では, 観測変数から潜伏因子を同時に推定し, 機器, コンバウンディング, リスク要因に対応する3つの解離集合に分解し, その解離因子を用いて治療効果を推定する変動推論手法を提案する。
  論文  参考訳（メタデータ） (2020-01-29T01:00:36Z)

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。