Fugu-MT 論文翻訳(概要): Causal Inference from Small High-dimensional Datasets

論文の概要: Causal Inference from Small High-dimensional Datasets

arxiv url: http://arxiv.org/abs/2205.09281v1
Date: Thu, 19 May 2022 02:04:01 GMT
ステータス: 処理完了
システム内更新日: 2022-05-21 07:07:38.072845
Title: Causal Inference from Small High-dimensional Datasets
Title（参考訳）: 小さな高次元データセットからの因果推論
Authors: Raquel Aoki and Martin Ester
Abstract要約: Causal-Batleは、小さな高次元データセットにおける治療効果を推定する手法である。我々は、因果推論に伝達学習技術をもたらすアプローチを採用する。
参考スコア（独自算出の注目度）: 7.1894784995284144
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Many methods have been proposed to estimate treatment effects with observational data. Often, the choice of the method considers the application's characteristics, such as type of treatment and outcome, confounding effect, and the complexity of the data. These methods implicitly assume that the sample size is large enough to train such models, especially the neural network-based estimators. What if this is not the case? In this work, we propose Causal-Batle, a methodology to estimate treatment effects in small high-dimensional datasets in the presence of another high-dimensional dataset in the same feature space. We adopt an approach that brings transfer learning techniques into causal inference. Our experiments show that such an approach helps to bring stability to neural network-based methods and improve the treatment effect estimates in small high-dimensional datasets.
Abstract（参考訳）: 観察データによる治療効果を推定するための多くの手法が提案されている。多くの場合、この手法の選択は、治療の種類や結果、境界効果、データの複雑さなど、アプリケーションの特性を考慮に入れている。これらの手法は、サンプルサイズがそのようなモデルをトレーニングするのに十分な大きさであると暗黙的に仮定する。もしそうでなければ? 本研究では,同じ特徴空間に別の高次元データセットが存在する場合の,小さな高次元データセットにおける処理効果を推定する手法であるCausal-Batleを提案する。我々は、因果推論に伝達学習技術をもたらすアプローチを採用する。実験により,ニューラルネットワークを用いた手法の安定性向上と,小型高次元データセットの処理効果評価の改善が期待できる。

関連論文リスト

Estimating Conditional Average Treatment Effects via Sufficient Representation Learning [31.822980052107496]
本稿では,その特徴を十分に表現するためにtextbfCrossNet という新しいニューラルネットワークアプローチを提案し,条件平均処理効果(CATE)を推定する。数値シミュレーションと実験により,本手法が競合手法より優れていることを示す。
論文参考訳（メタデータ） (2024-08-30T07:23:59Z)
Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation [137.3520153445413]
下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
論文参考訳（メタデータ） (2023-07-11T02:58:10Z)
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)
Data-Driven Estimation of Heterogeneous Treatment Effects [15.140272661540655]
異種治療効果推定(ヘテロジニアス・エフェクト・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント)は、経験科学において重要な問題である。機械学習を用いた不均一な処理効果推定のための最先端データ駆動手法について調査する。
論文参考訳（メタデータ） (2023-01-16T21:36:49Z)
Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文参考訳（メタデータ） (2022-11-20T15:49:11Z)
Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文参考訳（メタデータ） (2022-06-16T17:59:05Z)
Neuroevolutionary Feature Representations for Causal Inference [0.0]
本稿では,条件付き平均処理効果(CATE)の推定を支援する特徴表現の学習手法を提案する。本手法は,特徴量から得られる結果を予測するために訓練されたニューラルネットワークの中間層に焦点をあてる。
論文参考訳（メタデータ） (2022-05-21T09:13:04Z)
Combining Observational and Randomized Data for Estimating Heterogeneous Treatment Effects [82.20189909620899]
不均一な治療効果を推定することは、多くの領域において重要な問題である。現在、現存するほとんどの作品は観測データにのみ依存している。本稿では、大量の観測データと少量のランダム化データを組み合わせることで、不均一な処理効果を推定する。
論文参考訳（メタデータ） (2022-02-25T18:59:54Z)
Causal-BALD: Deep Bayesian Active Learning of Outcomes to Infer Treatment-Effects from Observational Data [37.15330590319357]
既存のアプローチは、治療と管理のために観察された結果に深いモデルを適用することに依存している。 Deep Bayesian Active Learningは、不確実性の高い点を選択することによって、効率的なデータ取得のためのフレームワークを提供する。本稿では,重なり合う領域に対するバイアスデータ取得という情報理論に基づく因果的ベイズ獲得機能を紹介する。
論文参考訳（メタデータ） (2021-11-03T15:11:39Z)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)
Efficient Multidimensional Functional Data Analysis Using Marginal Product Basis Systems [2.4554686192257424]
多次元関数データのサンプルから連続表現を学習するためのフレームワークを提案する。本研究では, テンソル分解により, 得られた推定問題を効率的に解けることを示す。我々は、ニューロイメージングにおける真のデータ応用で締めくくっている。
論文参考訳（メタデータ） (2021-07-30T16:02:15Z)

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。