論文の概要: Interpretable Deep Causal Learning for Moderation Effects
- arxiv url: http://arxiv.org/abs/2206.10261v1
- Date: Tue, 21 Jun 2022 11:21:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 13:05:56.151084
- Title: Interpretable Deep Causal Learning for Moderation Effects
- Title（参考訳）: モデレーション効果の解釈可能な深層因果学習
- Authors: Alberto Caron, Gianluca Baio, Ioanna Manolopoulou
- Abstract要約: 本稿では、因果機械学習モデルにおける解釈可能性と目標正規化の問題に対処する。
本稿では,個別の処理効果を推定するための新しい深層対実学習アーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this extended abstract paper, we address the problem of interpretability
and targeted regularization in causal machine learning models. In particular,
we focus on the problem of estimating individual causal/treatment effects under
observed confounders, which can be controlled for and moderate the effect of
the treatment on the outcome of interest. Black-box ML models adjusted for the
causal setting perform generally well in this task, but they lack interpretable
output identifying the main drivers of treatment heterogeneity and their
functional relationship. We propose a novel deep counterfactual learning
architecture for estimating individual treatment effects that can
simultaneously: i) convey targeted regularization on, and produce quantify
uncertainty around the quantity of interest (i.e., the Conditional Average
Treatment Effect); ii) disentangle baseline prognostic and moderating effects
of the covariates and output interpretable score functions describing their
relationship with the outcome. Finally, we demonstrate the use of the method
via a simple simulated experiment.
- Abstract（参考訳）: 本稿では,因果的機械学習モデルにおける解釈可能性と対象正規化の問題について述べる。
特に, 利害効果に対する治療の効果をコントロールし, 緩和することができる観察された共同設立者の下で, 個々の因果/治療効果を推定する問題に焦点をあてる。
因果設定のために調整されたブラックボックスMLモデルは、このタスクでは一般的によく機能するが、処理の不均一性の主要な要因と機能的関係を識別する解釈可能な出力は欠如している。
個別の処理効果を同時に推定するための新しい深層対実学習アーキテクチャを提案する。
一 対象の正規化を伝達し、利息の量(条件平均処理効果)に関する不確実性を定量化する。
二 結果との関係を記載した共変量及び出力解釈可能なスコア関数の非交叉ベースラインの予後及び調整効果
最後に,簡単なシミュレーション実験により,本手法の使用を実証する。
関連論文リスト
- Higher-Order Causal Message Passing for Experimentation with Complex Interference [6.092214762701847]
本研究では、因果的メッセージパッシングに基づく新しい推定器のクラスを導入し、広範で未知な干渉のある設定に特化して設計する。
我々の推定器は、サンプルの平均値と時間とともに単位結果と処理のばらつきから情報を抽出し、観測データの効率的な利用を可能にする。
論文 参考訳（メタデータ） (2024-11-01T18:00:51Z) - 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) - 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) - Causal Effect Estimation using Variational Information Bottleneck [19.6760527269791]
因果推論とは、介入が適用されるときの因果関係における因果効果を推定することである。
変分情報ボトルネック(CEVIB)を用いて因果効果を推定する手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T13:46:12Z) - Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。
本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。
自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
論文 参考訳（メタデータ） (2021-06-07T17:47:16Z) - 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) - Almost-Matching-Exactly for Treatment Effect Estimation under Network
Interference [73.23326654892963]
本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。
本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
論文 参考訳（メタデータ） (2020-03-02T15:21:20Z) - 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。