論文の概要: Stochastic Causal Programming for Bounding Treatment Effects
- arxiv url: http://arxiv.org/abs/2202.10806v4
- Date: Wed, 17 May 2023 15:14:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 21:13:26.586011
- 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: 因果効果の推定は自然科学や社会科学における多くの課題において重要である。
我々はフレキシブルな学習アルゴリズムとモンテカルロ法を用いて、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ている。
- 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 many tasks in the natural and
social sciences. We design algorithms for the continuous partial identification
problem: bounding the effects of multivariate, continuous treatments when
unmeasured confounding makes identification impossible. Specifically, we cast
causal effects as objective functions within a constrained optimization
problem, and minimize/maximize these functions to obtain bounds. 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
show how the generic framework can be efficiently formulated in settings where
auxiliary variables are clustered into pre-treatment and post-treatment sets,
where no fine-grained causal graph can be easily specified. In these settings,
we can avoid the need for fully specifying the distribution family of hidden
common causes. Monte Carlo computation is also much simplified, leading to
algorithms which are more computationally stable against alternatives.
- 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。
連続部分的識別問題に対するアルゴリズムを設計する: 測定不能な共起が識別を不可能にするとき、多変量連続処理の影響を限定する。
具体的には、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適用し、これらの関数を最小化/最大化する。
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,確率的因果計画法という名の解群を実装した。
特に,補助変数を前処理集合と後処理集合にクラスタリングし,細粒度因果グラフを容易に特定できないような設定において,ジェネリックフレームワークを効率的に定式化する方法を示す。
これらの設定では、隠れた共通原因の分布ファミリーを完全に指定する必要がなくなる。
モンテカルロ計算も非常に単純化されており、アルゴリズムは代替法に対してより計算的に安定である。
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。