論文の概要: Individual Treatment Effect Estimation Through Controlled Neural Network
Training in Two Stages
- arxiv url: http://arxiv.org/abs/2201.08559v1
- Date: Fri, 21 Jan 2022 06:34:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-24 14:24:53.696184
- Title: Individual Treatment Effect Estimation Through Controlled Neural Network
Training in Two Stages
- Title（参考訳）: 制御ニューラルネットワークトレーニングによる2段階の個別治療効果推定
- Authors: Naveen Nair, Karthik S. Gurumoorthy, Dinesh Mandalapu
- Abstract要約: 個別の単位レベルで因果的影響推定を推定するために,2段階で学習した因果的ディープニューラルネットワークモデルを開発した。
我々はCDNNが競争力が高く、最も正確な個別治療効果の推定値が得られることを観察する。
- 参考スコア（独自算出の注目度）: 0.757024681220677
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We develop a Causal-Deep Neural Network (CDNN) model trained in two stages to
infer causal impact estimates at an individual unit level. Using only the
pre-treatment features in stage 1 in the absence of any treatment information,
we learn an encoding for the covariates that best represents the outcome. In
the $2^{nd}$ stage we further seek to predict the unexplained outcome from
stage 1, by introducing the treatment indicator variables alongside the encoded
covariates. We prove that even without explicitly computing the treatment
residual, our method still satisfies the desirable local Neyman orthogonality,
making it robust to small perturbations in the nuisance parameters.
Furthermore, by establishing connections with the representation learning
approaches, we create a framework from which multiple variants of our algorithm
can be derived. We perform initial experiments on the publicly available data
sets to compare these variants and get guidance in selecting the best variant
of our CDNN method. On evaluating CDNN against the state-of-the-art approaches
on three benchmarking datasets, we observe that CDNN is highly competitive and
often yields the most accurate individual treatment effect estimates. We
highlight the strong merits of CDNN in terms of its extensibility to multiple
use cases.
- Abstract（参考訳）: 個別単位レベルで因果的影響推定を推定するために,2段階で学習した因果的ディープニューラルネットワーク(CDNN)モデルを開発した。
治療情報がない段階では, ステージ1の事前処理機能のみを用いて, 結果を最もよく表す共変体のエンコーディングを学習する。
$2^{nd}$ stage では、符号化された共変量とともに処理指標変数を導入することにより、ステージ 1 から説明できない結果を予測する。
また, 処理残差を明示的に計算することなく, 局所ニーマン直交性に満足し, ニュアバンスパラメータの小さな摂動に頑健であることを証明した。
さらに,表現学習アプローチとの接続を確立することにより,アルゴリズムの複数の変種を導出できるフレームワークを構築する。
公開データセットの初期実験を行い、これらの変種を比較し、CDNN法の最良の変種を選択するためのガイダンスを得る。
3つのベンチマークデータセットに対する最先端アプローチに対するCDNNの評価において、CDNNは競争力が高く、多くの場合、最も正確な個別処理効果の推定値が得られる。
複数のユースケースに対する拡張性の観点からCDNNの強みを強調した。
関連論文リスト
- Causal inference through multi-stage learning and doubly robust deep neural networks [10.021381302215062]
ディープニューラルネットワーク(DNN)は、大規模教師付き学習問題において顕著な経験的性能を示した。
本研究は、複雑な因果推論タスクの幅広い範囲にわたるDNNの適用について検討する。
論文 参考訳（メタデータ） (2024-07-11T14:47:44Z) - 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) - Estimation of individual causal effects in network setup for multiple
treatments [4.53340898566495]
個別治療効果 (ITE) の推定問題について, 複数の治療と観察データを用いて検討した。
我々は、共同創設者の共有表現を学ぶために、Graph Convolutional Networks(GCN)を採用しています。
アプローチでは、個別のニューラルネットワークを使用して、各治療の潜在的な結果を推測する。
論文 参考訳（メタデータ） (2023-12-18T06:07:45Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Bridging Precision and Confidence: A Train-Time Loss for Calibrating
Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。
その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文 参考訳（メタデータ） (2023-03-25T08:56:21Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Neuron Coverage-Guided Domain Generalization [37.77033512313927]
本稿では、ドメイン知識が利用できないドメイン一般化タスクに注目し、さらに悪いことに、1つのドメインからのサンプルのみをトレーニング中に利用することができる。
私たちの動機は、ディープニューラルネットワーク(DNN)テストの最近の進歩に由来し、DNNのニューロンカバレッジの最大化がDNNの潜在的な欠陥の探索に役立つことが示されています。
論文 参考訳（メタデータ） (2021-02-27T14:26:53Z) - Targeted Attack against Deep Neural Networks via Flipping Limited Weight
Bits [55.740716446995805]
我々は,悪質な目的で展開段階におけるモデルパラメータを修飾する新しい攻撃パラダイムについて検討する。
私たちのゴールは、特定のサンプルをサンプル修正なしでターゲットクラスに誤分類することです。
整数プログラミングにおける最新の手法を利用することで、このBIP問題を連続最適化問題として等価に再構成する。
論文 参考訳（メタデータ） (2021-02-21T03:13:27Z) - S2-BNN: Bridging the Gap Between Self-Supervised Real and 1-bit Neural
Networks via Guided Distribution Calibration [74.5509794733707]
本研究では, 実数値から, 最終予測分布上のバイナリネットワークへの誘導型学習パラダイムを提案する。
提案手法は,bnn上で5.515%の絶対利得で,単純なコントラスト学習ベースラインを向上できる。
提案手法は、単純なコントラスト学習ベースラインよりも大幅に改善され、多くの主流教師付きBNN手法に匹敵する。
論文 参考訳（メタデータ） (2021-02-17T18:59:28Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Revisiting One-vs-All Classifiers for Predictive Uncertainty and
Out-of-Distribution Detection in Neural Networks [22.34227625637843]
識別型分類器における確率のパラメトリゼーションが不確実性推定に与える影響について検討する。
画像分類タスクのキャリブレーションを改善するために, 1-vs-all の定式化が可能であることを示す。
論文 参考訳（メタデータ） (2020-07-10T01:55:02Z)
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。