論文の概要: Feature Selection for Discovering Distributional Treatment Effect Modifiers

• arxiv url: http://arxiv.org/abs/2206.00516v1
• Date: Wed, 1 Jun 2022 14:25:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-02 16:00:54.319221
• Title: Feature Selection for Discovering Distributional Treatment Effect Modifiers
• Title（参考訳）: 分散処理効果修飾器の特徴選択
• Authors: Yoichi Chikahara, Makoto Yamada, Hisashi Kashima
• Abstract要約: 治療効果の違いに関連する特徴を明らかにするための枠組みを提案する。 特徴属性が潜在的結果分布の相違にどの程度強く影響するかを定量化する特徴重要度尺度を導出する。 そこで我々は,I型エラー率を所望レベルまで制御できる特徴選択アルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 37.09619678733784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Finding the features relevant to the difference in treatment effects is essential to unveil the underlying causal mechanisms. Existing methods seek such features by measuring how greatly the feature attributes affect the degree of the {\it conditional average treatment effect} (CATE). However, these methods may overlook important features because CATE, a measure of the average treatment effect, cannot detect differences in distribution parameters other than the mean (e.g., variance). To resolve this weakness of existing methods, we propose a feature selection framework for discovering {\it distributional treatment effect modifiers}. We first formulate a feature importance measure that quantifies how strongly the feature attributes influence the discrepancy between potential outcome distributions. Then we derive its computationally efficient estimator and develop a feature selection algorithm that can control the type I error rate to the desired level. Experimental results show that our framework successfully discovers important features and outperforms the existing mean-based method.
• Abstract（参考訳）: 治療効果の違いに関連する特徴を見つけることは、根底にある因果メカニズムを明らかにするために不可欠である。 既存の手法では,特徴属性がCATE(Cit conditional average treatment effect)の程度にどの程度大きく影響するかを測定することで,そのような特徴を求める。 しかし、これらの手法は平均処理効果の測定値であるCATEが平均以外の分布パラメータの違い(例えば分散)を検出できないため、重要な特徴を見落としてしまう可能性がある。 既存手法の弱さを解消するために, 分布的処理効果修飾子の発見のための特徴選択フレームワークを提案する。 まず,特徴属性が潜在的結果分布の差にどの程度強く影響するかを定量化する特徴重要度尺度を定式化する。 次に,計算効率のよい推定器を導出し,I型エラー率を所望のレベルまで制御できる特徴選択アルゴリズムを開発した。 実験の結果,本フレームワークは重要な特徴を発見し,既存の平均法よりも優れていた。

関連論文リスト

• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• 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)
• Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
  統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。 本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
  論文  参考訳（メタデータ） (2022-08-29T16:16:22Z)
• 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)
• Learning Infomax and Domain-Independent Representations for Causal Effect Inference with Real-World Data [9.601837205635686]
  上記の問題を解くためにInfomaxとDomain-Independent Representationsを学習する。 提案手法は,因果関係の推論における最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-02-22T13:35:15Z)
• To Impute or not to Impute? -- Missing Data in Treatment Effect Estimation [84.76186111434818]
  我々は,MCM(Mixed Con founded missingness)と呼ばれる新しい欠損機構を同定し,ある欠損度が治療選択を判断し,他の欠損度が治療選択によって決定されることを示した。 本研究は,全てのデータを因果的に入力すると,不偏推定を行うために必要な情報を効果的に除去するので,処理効果のモデルが貧弱になることを示す。 私たちのソリューションは選択的計算であり、CMMからの洞察を使って、どの変数をインプットすべきで、どの変数をインプットすべきでないかを正確に知らせる。
  論文  参考訳（メタデータ） (2022-02-04T12:08:31Z)
• Comparing interpretability and explainability for feature selection [0.6015898117103068]
  各種ブラックボックスおよび解釈可能な機械学習手法における特徴選択法としての可変重要度の性能について検討する。 その結果,XGBoost はネイティブ変数重要度法や SHAP によらず,関連する特徴と無関係な特徴を明確に区別することができないことがわかった。
  論文  参考訳（メタデータ） (2021-05-11T20:01:23Z)
• 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)
• Nonparametric Feature Impact and Importance [0.6123324869194193]
  データ上で直接動作する部分依存曲線から導かれる特徴的影響と重要性の数学的定義を与える。 品質を評価するために、これらの定義によってランク付けされた特徴は、既存の特徴選択技術と競合することを示す。
  論文  参考訳（メタデータ） (2020-06-08T17:07:35Z)

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。