論文の概要: Learning Disentangled Representations for Counterfactual Regression via Mutual Information Minimization

• arxiv url: http://arxiv.org/abs/2206.01022v1
• Date: Thu, 2 Jun 2022 12:49:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-03 13:17:46.588064
• Title: Learning Disentangled Representations for Counterfactual Regression via Mutual Information Minimization
• Title（参考訳）: 相互情報最小化による非現実的回帰表現の学習
• Authors: Mingyuan Cheng and Xinru Liao and Quan Liu and Bin Ma and Jian Xu and Bo Zheng
• Abstract要約: 相互情報最小化(MIM-DRCFR)による非現実的回帰表現を提案する。 マルチタスク学習フレームワークを用いて、潜伏要因の学習時に情報を共有し、MI最小化学習基準を取り入れ、これらの要因の独立性を確保する。 パブリックベンチマークや実世界の産業ユーザ成長データセットを含む実験は、我々の手法が最先端の手法よりもはるかに優れていることを示した。
• 参考スコア（独自算出の注目度）: 25.864029391642422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning individual-level treatment effect is a fundamental problem in causal inference and has received increasing attention in many areas, especially in the user growth area which concerns many internet companies. Recently, disentangled representation learning methods that decompose covariates into three latent factors, including instrumental, confounding and adjustment factors, have witnessed great success in treatment effect estimation. However, it remains an open problem how to learn the underlying disentangled factors precisely. Specifically, previous methods fail to obtain independent disentangled factors, which is a necessary condition for identifying treatment effect. In this paper, we propose Disentangled Representations for Counterfactual Regression via Mutual Information Minimization (MIM-DRCFR), which uses a multi-task learning framework to share information when learning the latent factors and incorporates MI minimization learning criteria to ensure the independence of these factors. Extensive experiments including public benchmarks and real-world industrial user growth datasets demonstrate that our method performs much better than state-of-the-art methods.
• Abstract（参考訳）: 個人レベルの治療効果の学習は因果推論の基本的な問題であり、特に多くのインターネット企業を対象とするユーザ成長領域において、多くの分野で注目を集めている。 近年,共変数を楽器,コンバウンディング,調整因子を含む3つの潜在因子に分解する非絡み合い表現学習法が,治療効果評価において大きな成功を収めている。 しかし、根底にある不整合因子を正確に学習する方法は未解決のままである。 具体的には, 治療効果を同定するために必要な条件として, 従来法では, 独立した不連続因子が得られなかった。 本稿では,相互情報最小化(mim-drcfr)による反事実回帰のための不連続表現を提案する。多タスク学習フレームワークを用いて,潜在因子の学習時に情報を共有するとともに,これらの要因の独立性を確保するためにmi最小化学習基準を取り入れている。 公開ベンチマークや実世界のインダストリアル・ユーザー成長データセットを含む広範な実験により,本手法は最先端の手法よりも優れた性能を示す。

関連論文リスト

• An Investigation of Offline Reinforcement Learning in Factorisable Action Spaces [5.874782446136915]
  RLのオフライン転送の成功に対するPivotalは、データから欠落した状態-動作ペアの値推定における過大評価バイアスを軽減する。 分解された離散的な行動空間は、自然に分解可能な行動を持つ多くの実世界の問題にもかかわらず、比較的ほとんど注目されていない。 本稿では, 因数化手法の事例を提示し, 因数化条件に適応したいくつかのオフライン手法の広範な実証評価を行う。
  論文  参考訳（メタデータ） (2024-11-17T14:31:14Z)
• Exploring Knowledge Boundaries in Large Language Models for Retrieval Judgment [56.87031484108484]
  大規模言語モデル(LLM)は、その実践的応用でますます認識されている。 Retrieval-Augmented Generation (RAG)はこの課題に取り組み、LLMに大きな影響を与えている。 中立あるいは有害な結果をもたらす検索要求を最小化することにより、時間と計算コストの両方を効果的に削減できる。
  論文  参考訳（メタデータ） (2024-11-09T15:12:28Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Sample-Efficient Reinforcement Learning in the Presence of Exogenous Information [77.19830787312743]
  実世界の強化学習アプリケーションでは、学習者の観察空間は、その課題に関する関連情報と無関係情報の両方でユビキタスに高次元である。 本稿では,強化学習のための新しい問題設定法であるExogenous Decision Process (ExoMDP)を導入する。 内因性成分の大きさのサンプル複雑度で準最適ポリシーを学習するアルゴリズムであるExoRLを提案する。
  論文  参考訳（メタデータ） (2022-06-09T05:19:32Z)
• Confounder Identification-free Causal Visual Feature Learning [84.28462256571822]
  本稿では,創始者を特定する必要性を排除した,創始者同定自由因果視覚特徴学習(CICF)手法を提案する。 CICFは、フロントドア基準に基づいて異なるサンプル間の介入をモデル化し、インスタンスレベルの介入に対するグローバルスコープ干渉効果を近似する。 我々は,CICFと一般的なメタラーニング戦略MAMLの関係を明らかにするとともに,MAMLが理論的観点から機能する理由を解釈する。
  論文  参考訳（メタデータ） (2021-11-26T10:57:47Z)
• 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)
• Multi-Factors Aware Dual-Attentional Knowledge Tracing [0.0]
  学生の学習の進捗をモデル化するためのマルチファクター・アウェア・デュアル・アテンショナル・モデル(MF-DAKT)を提案する。 質問表現を豊かにするために,事前学習法を用いて2種類の質問情報を組み込む。 また、因子の寄与と要因の相互作用を最終予測に区別するために、二重注意機構を適用した。
  論文  参考訳（メタデータ） (2021-08-10T15:03:28Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Targeted VAE: Variational and Targeted Learning for Causal Inference [39.351088248776435]
  観測データによる因果推論は、幅広いタスクで非常に有用である。 観察データを用いた因果推論の実施には,2つの重要な課題がある。 構造化推論とターゲット学習を組み合わせることで、これらの2つの課題に対処する。
  論文  参考訳（メタデータ） (2020-09-28T16:55:24Z)

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。