論文の概要: Bounding Counterfactuals under Selection Bias

• arxiv url: http://arxiv.org/abs/2208.01417v1
• Date: Tue, 26 Jul 2022 10:33:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-07 14:16:16.685905
• Title: Bounding Counterfactuals under Selection Bias
• Title（参考訳）: 選択バイアス下での反事実のバウンディング
• Authors: Marco Zaffalon and Alessandro Antonucci and Rafael Caba\~nas and David Huber and Dario Azzimonti
• Abstract要約: 本稿では,識別不能なクエリと識別不能なクエリの両方に対処するアルゴリズムを提案する。 選択バイアスによって引き起こされる欠如にもかかわらず、利用可能なデータの可能性は無限であることを示す。
• 参考スコア（独自算出の注目度）: 60.55840896782637
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal analysis may be affected by selection bias, which is defined as the systematic exclusion of data from a certain subpopulation. Previous work in this area focused on the derivation of identifiability conditions. We propose instead a first algorithm to address both identifiable and unidentifiable queries. We prove that, in spite of the missingness induced by the selection bias, the likelihood of the available data is unimodal. This enables us to use the causal expectation-maximisation scheme to obtain the values of causal queries in the identifiable case, and to compute bounds otherwise. Experiments demonstrate the approach to be practically viable. Theoretical convergence characterisations are provided.
• Abstract（参考訳）: 因果解析は選択バイアスに影響されうるが、これは特定のサブ集団からデータの体系的な排除として定義される。 この分野における以前の研究は、識別可能性条件の導出に焦点を当てていた。 代わりに、識別可能なクエリと識別できないクエリの両方に対処する最初のアルゴリズムを提案する。 選択バイアスによって引き起こされる欠如にもかかわらず、利用可能なデータの可能性は無限であることを示す。 これにより、因果予測最大化スキームを用いて、特定可能なケースにおける因果クエリの値を取得し、それ以外を計算できる。 実験は、実際に実現可能なアプローチを示す。 理論的収束特性が提供される。

関連論文リスト

• Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
  我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。 選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。 また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-29T20:56:34Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• Bounding Consideration Probabilities in Consider-Then-Choose Ranking Models [4.968566004977497]
  正確な識別ができないにもかかわらず、考慮すべき確率に関する有用な情報を学習できることが示される。 本手法は,心理学実験のランキングデータセット上で,2つの異なるランキングタスクを用いて実証する。
  論文  参考訳（メタデータ） (2024-01-19T20:27:29Z)
• Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources [64.96984404868411]
  我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。 利用可能なデータの可能性は局所的な最大値を持たないことを示す。 次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2023-07-31T11:28:24Z)
• LUCID-GAN: Conditional Generative Models to Locate Unfairness [1.5257247496416746]
  本稿では,勾配に基づく逆設計の代わりに条件付き生成モデルを用いて標準入力を生成するLUCID-GANを提案する。 UCIアダルトデータセットとCompASデータセットのLUCID-GANを実験的に評価し、トレーニングデータへのアクセスを必要とせず、ブラックボックスモデルにおける非倫理的バイアスを検出することができることを示す。
  論文  参考訳（メタデータ） (2023-07-28T10:37:49Z)
• Black-box Selective Inference via Bootstrapping [5.960626580825523]
  条件選択推論は選択イベントの正確な特徴を必要とするが、ラッソのようないくつかの例を除いてしばしば利用できない。 この研究は、選択イベントを推定するための一般的なアプローチを導入し、選択イベントに条件付けされた実行可能な推論を容易にすることで、この問題に対処する。
  論文  参考訳（メタデータ） (2022-03-28T05:18:21Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• Invariant Rationalization [84.1861516092232]
  典型的な合理化基準、すなわち最大相互情報(MMI)は、合理性のみに基づいて予測性能を最大化する合理性を見つける。 ゲーム理論の不変な有理化基準を導入し、各環境において同じ予測器を最適にするために、有理を制約する。 理論的にも実証的にも、提案された理性は、素早い相関を除外し、異なるテストシナリオをより一般化し、人間の判断とよく一致させることができることを示す。
  論文  参考訳（メタデータ） (2020-03-22T00:50:27Z)
• Causality and Robust Optimization [2.690502103971798]
  機械学習の予測を適用する場合、共起バイアスが問題となる。 本稿では,既存の特徴選択アルゴリズムを共起バイアスの観点から緩和するメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-28T10:02:59Z)

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。