論文の概要: Generalization bounds and algorithms for estimating conditional average treatment effect of dosage

• arxiv url: http://arxiv.org/abs/2205.14692v1
• Date: Sun, 29 May 2022 15:26:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-31 18:07:50.215786
• Title: Generalization bounds and algorithms for estimating conditional average treatment effect of dosage
• Title（参考訳）: 投薬の条件平均処理効果を推定するための一般化境界とアルゴリズム
• Authors: Alexis Bellot, Anish Dhir, Giulia Prando
• Abstract要約: 本研究では,治療薬対の条件付き平均因果効果を観測データと仮定の組み合わせで推定する作業について検討した。 これは疫学や経済学など、意思決定のために治療薬対を必要とする分野における長年にわたる課題である。 この問題に対するいくつかのベンチマークデータセットに対して、実証的に新しい最先端のパフォーマンス結果を示す。
• 参考スコア（独自算出の注目度）: 13.867315751451494
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate the task of estimating the conditional average causal effect of treatment-dosage pairs from a combination of observational data and assumptions on the causal relationships in the underlying system. This has been a longstanding challenge for fields of study such as epidemiology or economics that require a treatment-dosage pair to make decisions but may not be able to run randomized trials to precisely quantify their effect and heterogeneity across individuals. In this paper, we extend (Shalit et al, 2017) to give new bounds on the counterfactual generalization error in the context of a continuous dosage parameter which relies on a different approach to defining counterfactuals and assignment bias adjustment. This result then guides the definition of new learning objectives that can be used to train representation learning algorithms for which we show empirically new state-of-the-art performance results across several benchmark datasets for this problem, including in comparison to doubly-robust estimation methods.
• Abstract（参考訳）: 基礎システムにおける因果関係に対する観察データと仮定の組み合わせから,治療・服用ペアの条件平均因果効果を推定するタスクについて検討した。 疫学や経済学などの分野において、意思決定のために治療と薬のペアを必要とするが、個人間の効果と多様性を正確に定量化するためのランダム化試験を実行できないという長年の課題であった。 本稿では(Shalit et al, 2017) を拡張して, 対実値と割当偏差補正の異なるアプローチに依存する連続量パラメータの文脈において, 対実値一般化誤差の新たな境界を与える。 この結果から,表現学習アルゴリズムのトレーニングに使用可能な新たな学習目標の定義が導かれ,2倍ロバスト推定法との比較を含む,いくつかのベンチマークデータセットで経験則的に新たな結果が得られた。

関連論文リスト

• General targeted machine learning for modern causal mediation analysis [3.813608775141218]
  因果媒介分析は、その作用を引き起こすメカニズムを解明する。 媒介分析に対する6つの一般的な非パラメトリック手法の同定式は2つの統計的推定値から復元可能であることを示す。 我々は,任意の媒介研究において,機械学習と組み合わせることができる全目的の一段階推定アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-26T20:31:26Z)
• Targeted Machine Learning for Average Causal Effect Estimation Using the Front-Door Functional [3.0232957374216953]
  結果に対する治療の平均因果効果(ACE)を評価することは、しばしば観察研究における要因の相違によって引き起こされる課題を克服することを伴う。 本稿では,目標最小損失推定理論に基づいて,正面基準の新たな推定手法を提案する。 本研究では,早期学業成績が今後の年収に与える影響を明らかにするために,これらの推定装置の適用性を示す。
  論文  参考訳（メタデータ） (2023-12-15T22:04:53Z)
• 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)
• Causal Inference via Nonlinear Variable Decorrelation for Healthcare Applications [60.26261850082012]
  線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。 我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
  論文  参考訳（メタデータ） (2022-09-29T17:44:14Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• Estimating Individual Treatment Effects through Causal Populations Identification [11.936520478641182]
  隠れ変数からの推測としてこの問題を定式化し、4つの排他的因果集団のモデルに基づいて因果制約を強制する。 本稿では,EMアルゴリズムの新たなバージョンを提案する。これは期待値最大化 (ECM) アルゴリズムと呼ばれ,軽度条件下での収束のヒントを提供する。
  論文  参考訳（メタデータ） (2020-04-10T12:51:19Z)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。