論文の概要: Scalable Sensitivity and Uncertainty Analysis for Causal-Effect
Estimates of Continuous-Valued Interventions
- arxiv url: http://arxiv.org/abs/2204.10022v1
- Date: Thu, 21 Apr 2022 11:15:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-22 12:32:08.304781
- Title: Scalable Sensitivity and Uncertainty Analysis for Causal-Effect
Estimates of Continuous-Valued Interventions
- Title（参考訳）: 連続値干渉の因果推定におけるスケーラブル感度と不確かさ解析
- Authors: Andrew Jesson and Alyson Douglas and Peter Manshausen and Nicolai
Meinshausen and Philip Stier and Yarin Gal and Uri Shalit
- Abstract要約: 観測データから継続的に評価された介入の効果を推定することは、気候科学、医療、経済学などの分野において極めて重要である。
我々は, 連続処理効果限界感度モデル(CMSM)を開発し, 観測データと研究者が定義した隠れ共役レベルの両方に適合する境界を導出する。
本研究では,これらの境界を高次元・大局的な観測データに対して効率的に推定するために,境界と不確実性を考慮した深部モデルを導出するスケーラブルなアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 34.19821413853115
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating the effects of continuous-valued interventions from observational
data is critically important in fields such as climate science, healthcare, and
economics. Recent work focuses on designing neural-network architectures and
regularization functions to allow for scalable estimation of average and
individual-level dose response curves from high-dimensional, large-sample data.
Such methodologies assume ignorability (all confounding variables are observed)
and positivity (all levels of treatment can be observed for every unit
described by a given covariate value), which are especially challenged in the
continuous treatment regime. Developing scalable sensitivity and uncertainty
analyses that allow us to understand the ignorance induced in our estimates
when these assumptions are relaxed receives less attention. Here, we develop a
continuous treatment-effect marginal sensitivity model (CMSM) and derive bounds
that agree with both the observed data and a researcher-defined level of hidden
confounding. We introduce a scalable algorithm to derive the bounds and
uncertainty-aware deep models to efficiently estimate these bounds for
high-dimensional, large-sample observational data. We validate our methods
using both synthetic and real-world experiments. For the latter, we work in
concert with climate scientists interested in evaluating the climatological
impacts of human emissions on cloud properties using satellite observations
from the past 15 years: a finite-data problem known to be complicated by the
presence of a multitude of unobserved confounders.
- Abstract（参考訳）: 気候科学、医療、経済学などの分野において、観測データから連続的価値の介入の効果を推定することは極めて重要である。
最近の研究は、高次元の大規模データから平均および個別レベルの線量応答曲線をスケーラブルに推定できるように、ニューラルネットワークアーキテクチャと正規化関数を設計することに焦点を当てている。
このような手法は、無知性(全ての共起変数が観察される)と肯定性(与えられた共変量によって記述される単位ごとに全ての処理レベルが観察される)を仮定する。
スケーラブルな感度と不確実性解析を開発することで、これらの仮定が緩和された場合の見積による無知を理解することができます。
そこで我々は, 連続処理効果限界感度モデル(CMSM)を開発し, 観測データと研究者が定義した隠れ共役レベルの両方に適合する導出境界を導出する。
本研究では,境界と不確実性を考慮した深層モデルから導出するスケーラブルなアルゴリズムを導入し,高次元・大規模観測データに対してその境界を効率的に推定する。
本手法は合成実験と実世界実験の両方を用いて検証する。
後者については、過去15年間の衛星観測により、人為的放射が雲の性質に与える影響を気候学的に評価することに関心のある気候学者と共同で研究している。
関連論文リスト
- Progressive Generalization Risk Reduction for Data-Efficient Causal Effect Estimation [30.49865329385806]
因果効果推定(英: Causal effect Estimation、CEE)は、エンティティの観測されていない反事実結果を予測する重要なツールである。
本稿では,ラベル付きデータサンプルが最初から不足している,より現実的なCEE設定について検討する。
バッチワイズラベル取得のためのモデルアグノスティック因果アクティブラーニング(MACAL)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-11-18T03:17:40Z) - Estimating Individual Dose-Response Curves under Unobserved Confounders from Observational Data [6.166869525631879]
本稿では,連続治療の因果効果を推定するための新しいフレームワークであるContiVAEについて述べる。
ContiVAEは既存の手法を最大62%上回り、その堅牢性と柔軟性を示す。
論文 参考訳（メタデータ） (2024-10-21T07:24:26Z) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under
Hidden Confounding [51.74479522965712]
本稿では,B-Learnerと呼ばれるメタラーナーを提案する。
我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
論文 参考訳（メタデータ） (2023-04-20T18:07:19Z) - Robust Fitted-Q-Evaluation and Iteration under Sequentially Exogenous
Unobserved Confounders [16.193776814471768]
連続的に外生的でない共同設立者が存在する場合、ロバストな政策評価と政策最適化について検討する。
本研究は,敗血症治療のシミュレーションと実世界の縦断医療データの両方において,複雑性境界,洞察,有効性を示す。
論文 参考訳（メタデータ） (2023-02-01T18:40:53Z) - Partial Identification of Dose Responses with Hidden Confounders [25.468473751289036]
観測データから連続的に評価された治療の因果効果を推定することが重要な課題である。
本稿では, 平均および条件付き平均連続値処理効果推定値の両方を束縛する新しい手法を提案する。
本手法を実世界の観測ケーススタディに適用し,線量依存因果効果の同定の価値を実証する。
論文 参考訳（メタデータ） (2022-04-24T07:02:21Z) - Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。
IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
論文 参考訳（メタデータ） (2021-07-26T10:40:59Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T14:29:07Z) - Stochastic Approximation for High-frequency Observations in Data
Assimilation [0.0]
高周波センサは、ダウンストリーム推定の統計的精度を高める機会を提供するが、その周波数はデータ同化タスクにおける多くの計算問題をもたらす。
データ同化における高周波観測の独特な課題に対処するために近似法を適用する。
その結果, 上記の計算問題を回避し, 推定値の統計的精度を維持する方法で, 全観測値を活用する推定値を生成することができた。
論文 参考訳（メタデータ） (2020-11-05T06:02:27Z) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳（メタデータ） (2020-07-07T21:04:55Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z)
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。