論文の概要: Stochastic Causal Programming for Bounding Treatment Effects

• arxiv url: http://arxiv.org/abs/2202.10806v1
• Date: Tue, 22 Feb 2022 10:55:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-23 22:28:26.628496
• Title: Stochastic Causal Programming for Bounding Treatment Effects
• Title（参考訳）: 境界治療効果に対する確率因果計画法
• Authors: Kirtan Padh, Jakob Zeitler, David Watson, Matt Kusner, Ricardo Silva and Niki Kilbertus
• Abstract要約: 部分的識別問題に対するアルゴリズムを考察する。 本研究では,標準基準による因果モデルに符号化された制約の含意と,観測可能な証拠が一致した枠組みを考察する。 フレキシブルな学習アルゴリズムとモンテカルロ法を組み合わせて、因果プログラミングという名のソリューション群を実装します。
• 参考スコア（独自算出の注目度）: 8.879868078611443
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal effect estimation is important for numerous tasks in the natural and social sciences. However, identifying effects is impossible from observational data without making strong, often untestable assumptions. We consider algorithms for the partial identification problem, bounding treatment effects from multivariate, continuous treatments over multiple possible causal models when unmeasured confounding makes identification impossible. We consider a framework where observable evidence is matched to the implications of constraints encoded in a causal model by norm-based criteria. This generalizes classical approaches based purely on generative models. Casting causal effects as objective functions in a constrained optimization problem, we combine flexible learning algorithms with Monte Carlo methods to implement a family of solutions under the name of stochastic causal programming. In particular, we present ways by which such constrained optimization problems can be parameterized without likelihood functions for the causal or the observed data model, reducing the computational and statistical complexity of the task.
• Abstract（参考訳）: 因果効果の推定は自然科学や社会科学の多くのタスクにおいて重要である。 しかし、強い、しばしばテスト不能な仮定をすることなく、観察データから効果を特定することは不可能である。 多変量処理による部分的識別問題に対するアルゴリズムを考察し,不測の共起により識別が不可能な場合,複数の因果モデルに対して連続的な処理を行う。 我々は、可観測証拠が因果モデルで符号化された制約の規範に基づく基準に合致する枠組みを考える。 これは純粋に生成モデルに基づく古典的アプローチを一般化する。 制約付き最適化問題における目的関数として因果効果をキャストし、フレキシブルな学習アルゴリズムとモンテカルロ法を組み合わせることにより、確率的因果プログラミングの名のもと、解のファミリーを実装する。 特に,そのような制約付き最適化問題を,因果関係や観測データモデルに対する帰納関数を使わずにパラメータ化し,タスクの計算量や統計量を減らす方法を提案する。

関連論文リスト

• Efficient Differentiable Discovery of Causal Order [14.980926991441342]
  Intersortは、変数の因果順序を発見するためのスコアベースの方法である。 我々は、差別化可能なソートとランキング技術を用いてインターソートを再構築する。 我々の研究は、因果順の正規化を微分可能なモデルの訓練に効率的に組み込むための扉を開く。
  論文  参考訳（メタデータ） (2024-10-11T13:11:55Z)
• Provably Efficient Learning in Partially Observable Contextual Bandit [4.910658441596583]
  古典的帯域幅アルゴリズムの改善に因果境界をどのように適用できるかを示す。 本研究は,実世界の応用における文脈的包括的エージェントの性能を高める可能性を秘めている。
  論文  参考訳（メタデータ） (2023-08-07T13:24:50Z)
• Optimal Algorithms for Stochastic Complementary Composite Minimization [55.26935605535377]
  統計学と機械学習における正規化技術に触発され,補完的な複合化の最小化について検討した。 予測と高い確率で、新しい過剰なリスク境界を提供する。 我々のアルゴリズムはほぼ最適であり、このクラスの問題に対して、新しいより低い複雑性境界によって証明する。
  論文  参考訳（メタデータ） (2022-11-03T12:40:24Z)
• An Application of a Multivariate Estimation of Distribution Algorithm to Cancer Chemotherapy [59.40521061783166]
  癌に対する化学療法治療は、多数の相互作用する変数と制約を持つ複雑な最適化問題である。 より洗練されたアルゴリズムは、このような複雑な問題に対してより良いパフォーマンスをもたらすことが示される。 我々は、この問題における多数の相互作用によって、より洗練されたアルゴリズムが妨げられていることが原因であると仮定する。
  論文  参考訳（メタデータ） (2022-05-17T15:28:46Z)
• Experimental Design for Causal Effect Identification [31.23071073904698]
  必要な効果を識別するために,最小限のコストで介入の収集を設計する問題を考察する。 まず、この問題がNPハードであることを証明し、次に最適な解や対数近似を求めるアルゴリズムを提案する。 これらのアルゴリズムは準最適解に反する可能性があるが、我々のシミュレーションはランダムグラフに対する小さな後悔を達成していることを示している。
  論文  参考訳（メタデータ） (2022-05-04T13:19:04Z)
• Sparse Quadratic Optimisation over the Stiefel Manifold with Application to Permutation Synchronisation [71.27989298860481]
  二次目的関数を最大化するスティーフェル多様体上の行列を求める非最適化問題に対処する。 そこで本研究では,支配的固有空間行列を求めるための,単純かつ効果的なスパーシティプロモーティングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:17:35Z)
• Parallel Stochastic Mirror Descent for MDPs [72.75921150912556]
  無限水平マルコフ決定過程(MDP)における最適政策学習の問題を考える。 リプシッツ連続関数を用いた凸プログラミング問題に対してミラー・ディクセントの変種が提案されている。 このアルゴリズムを一般の場合において解析し,提案手法の動作中に誤差を蓄積しない収束率の推定値を得る。
  論文  参考訳（メタデータ） (2021-02-27T19:28:39Z)
• An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
  データから制約をマイニングするための一般的なフレームワークを提案する。 特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。 提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-18T20:09:53Z)
• A Class of Algorithms for General Instrumental Variable Models [29.558215059892206]
  因果治療効果の推定は、様々な現実世界で発生する重要な問題である。 連続分布における因果効果のバウンディング法を提案する。
  論文  参考訳（メタデータ） (2020-06-11T12:32:24Z)
• Learning High Order Feature Interactions with Fine Control Kernels [12.5433010409486]
  我々は、全ての可能な乗法的相互作用を特徴とするスパース統計モデルを学習するための方法論を提供する。 また、Fenchel DualityをベースとしたアルゴリズムパラダイムであるFine Control Kernelフレームワークについても紹介する。
  論文  参考訳（メタデータ） (2020-02-09T06:29:15Z)
• Polynomial-Time Exact MAP Inference on Discrete Models with Global Dependencies [83.05591911173332]
  ジャンクションツリーアルゴリズムは、実行時の保証と正確なMAP推論のための最も一般的な解である。 本稿では,ノードのクローン化による新たなグラフ変換手法を提案する。
  論文  参考訳（メタデータ） (2019-12-27T13:30:29Z)

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。