論文の概要: Neural Score Matching for High-Dimensional Causal Inference
- arxiv url: http://arxiv.org/abs/2203.00554v1
- Date: Tue, 1 Mar 2022 15:36:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-02 15:52:10.229157
- Title: Neural Score Matching for High-Dimensional Causal Inference
- Title（参考訳）: 高次元因果推論のためのニューラルスコアマッチング
- Authors: Oscar Clivio, Fabian Falck, Brieuc Lehmann, George Deligiannidis,
Chris Holmes
- Abstract要約: ニューラルネットワークを用いて選択された粗いレベルの非自明なバランススコアを得る理論的結果を開発した。
本手法は, 半合成高次元データセットにおける他のマッチング手法と競合することを示す。
- 参考スコア（独自算出の注目度）: 5.696039065328919
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditional methods for matching in causal inference are impractical for
high-dimensional datasets. They suffer from the curse of dimensionality: exact
matching and coarsened exact matching find exponentially fewer matches as the
input dimension grows, and propensity score matching may match highly unrelated
units together. To overcome this problem, we develop theoretical results which
motivate the use of neural networks to obtain non-trivial, multivariate
balancing scores of a chosen level of coarseness, in contrast to the classical,
scalar propensity score. We leverage these balancing scores to perform matching
for high-dimensional causal inference and call this procedure neural score
matching. We show that our method is competitive against other matching
approaches on semi-synthetic high-dimensional datasets, both in terms of
treatment effect estimation and reducing imbalance.
- Abstract（参考訳）: 因果推論における従来手法は高次元データセットでは実用的ではない。
正確なマッチングと粗い正確なマッチングは、入力次元が大きくなるにつれて指数関数的に少ないマッチングを見つけ、プロペンサススコアマッチングは、高度に無関係な単位と一致する可能性がある。
この問題を克服するため,従来のスカラー・プロペンシティ・スコアとは対照的に,ニューラルネットワークを用いて選択した粗さレベルの非自明な多変量バランススコアを得る理論的結果を開発した。
これらのバランススコアを高次元因果推論のマッチングに活用し,この手順をニューラルスコアマッチングと呼ぶ。
本手法は, 処理効果推定と不均衡の両面で, 半合成高次元データセットにおける他のマッチング手法と競合することを示す。
関連論文リスト
- Causal Effect Estimation Using Random Hyperplane Tessellations [2.048226951354646]
マッチングは観測データから因果効果を推定する最も単純な手法の1つである。
我々はRandom Hyperplane Tessellations (RHPT) を用いた単純な高速かつ高効率なマッチング手法を提案する。
本稿では、RHTを用いたマッチングが従来のマッチング推定より優れており、因果効果の最先端のディープラーニング手法と競合することを示す広範な実験結果について報告する。
論文 参考訳（メタデータ） (2024-04-16T20:53:58Z) - Semisupervised score based matching algorithm to evaluate the effect of public health interventions [3.221788913179251]
1対1のマッチングアルゴリズムでは、マッチする多数の"ペア"は、大きなサンプルからの情報と多数のタスクの両方を意味する可能性がある。
本稿では,2次スコア関数 $S_beta(x_i,x_j)= betaT (x_i-x_j)(x_i-x_j)T beta$ に基づく新しい1対1マッチングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-03-19T02:24:16Z) - Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。
我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文 参考訳（メタデータ） (2023-12-27T09:03:43Z) - Sample Complexity Bounds for Score-Matching: Causal Discovery and
Generative Modeling [82.36856860383291]
我々は,標準深部ReLUニューラルネットワークをトレーニングすることにより,スコア関数の正確な推定が可能であることを実証した。
スコアマッチングに基づく因果発見手法を用いて因果関係の回復の誤差率の限界を確立する。
論文 参考訳（メタデータ） (2023-10-27T13:09:56Z) - Exploring new ways: Enforcing representational dissimilarity to learn
new features and reduce error consistency [1.7497479054352052]
非常に異なる中間表現は相関の少ない出力予測と若干の誤差整合性をもたらすことを示す。
これにより、中間表現間の接続とその出力予測への影響について、第1の光を当てる。
論文 参考訳（メタデータ） (2023-07-05T14:28:46Z) - Nonparametric Probabilistic Regression with Coarse Learners [1.8275108630751844]
我々は, 密度の形状や形状について最小限の仮定で, 正確な条件密度を計算することができることを示す。
このアプローチをさまざまなデータセットで実証し、特に大きなデータセットで競合性能を示す。
論文 参考訳（メタデータ） (2022-10-28T16:25:26Z) - Deep Probabilistic Graph Matching [72.6690550634166]
本稿では,マッチング制約を伴わずに,元のQAPに適合する深層学習ベースのグラフマッチングフレームワークを提案する。
提案手法は,一般的な3つのベンチマーク(Pascal VOC,Wilow Object,SPair-71k)で評価され,すべてのベンチマークにおいて過去の最先端よりも優れていた。
論文 参考訳（メタデータ） (2022-01-05T13:37:27Z) - Denoising Score Matching with Random Fourier Features [11.60130641443281]
Kernel Exponential Family を用いたDenoising Score matching の解析式をモデル分布として導出する。
得られた式はノイズのばらつきに明示的に依存するため、バリデーション損失はノイズレベルを調整するために簡単に使用できる。
論文 参考訳（メタデータ） (2021-01-13T18:02:39Z) - Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。
このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる
このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文 参考訳（メタデータ） (2020-03-13T13:11:35Z) - Almost-Matching-Exactly for Treatment Effect Estimation under Network
Interference [73.23326654892963]
本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。
本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
論文 参考訳（メタデータ） (2020-03-02T15:21:20Z) - MALTS: Matching After Learning to Stretch [86.84454964051014]
我々はマッチングのための解釈可能な距離メートル法を学習し、それによってかなり高い品質のマッチングが得られる。
フレキシブルな距離測定を学習する能力は、解釈可能で、条件付き平均治療効果の推定に有用である。
論文 参考訳（メタデータ） (2018-11-18T22:29:59Z)
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。