論文の概要: Probabilistic Variational Causal Effect as A new Theory for Causal Reasoning

• arxiv url: http://arxiv.org/abs/2208.06269v1
• Date: Fri, 12 Aug 2022 13:34:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-15 13:37:08.893531
• Title: Probabilistic Variational Causal Effect as A new Theory for Causal Reasoning
• Title（参考訳）: 因果推論の新しい理論としての確率的変分因果効果
• Authors: Usef Faghihi, Amir Saki
• Abstract要約: 確率的および非確率的問題に対処できる新しい因果的枠組みを導入する。 因果効果の式は、確率論と統合された関数の総変分という考え方を用いる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper, we introduce a new causal framework capable of dealing with probabilistic and non-probabilistic problems. Indeed, we provide a formula called Probabilistic vAriational Causal Effect (PACE). Our formula of causal effect uses the idea of total variation of a function integrated with probability theory. PACE has a parameter $d$ determining the degree of being probabilistic. The lower values of $d$ refer to the scenarios that rare cases are important. In contrast, with the higher values of $d$, our model deals with the problems that are in nature probabilistic. Hence, instead of a single value for causal effect, we provide a causal effect vector by discretizing $d$. We also address the problem of computing counterfactuals in causal reasoning. We compare our model to the Pearl model, the mutual information model, the conditional mutual information model, and the Janzing et al. model by investigating several examples.
• Abstract（参考訳）: 本稿では,確率的および非確率的問題に対処できる新しい因果的枠組みを提案する。 実際、確率的偏差因果効果 (Probabilistic vAriational Causal Effect, PACE) という式を提供する。 因果効果の式は確率論と統合された関数の総変分という考え方を用いる。 PACE は確率的である度合いを決定するパラメータ $d$ を持つ。 $d$の低い値は、まれなケースが重要であるシナリオを参照してください。 対照的に、$d$のより高い値とは異なり、我々のモデルは本質的に確率的な問題を扱う。 したがって、因果効果の単一の値の代わりに$d$を離散化することで因果効果ベクトルを提供する。 また,因果推論における反事実計算の問題にも対処する。 我々は,本モデルとパールモデル,相互情報モデル,条件付き相互情報モデル,およびJanzing et al.モデルを比較し,いくつかの事例について考察する。

関連論文リスト

• A Bayesian Classification Trees Approach to Treatment Effect Variation with Noncompliance [0.5356944479760104]
  非準拠のランダム化試験における様々な治療効果を推定することは本質的に困難である。 既存の柔軟な機械学習手法は、弱い楽器の問題に非常に敏感である。 非準拠シナリオにおける二値応答変数に対するベイジアン因果フォレストモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-14T18:33:55Z)
• Identification of Average Causal Effects in Confounded Additive Noise Models [7.064432289838905]
  結果に対する治療変数の任意のサブセットの平均因果効果(ACE)を推定するための新しいアプローチを提案する。 また,ノード数の多元対数に対する介入回数をさらに削減するランダム化アルゴリズムを提案する。 このことは、治療のどのサブセットの因果効果も、確立されたANMの結果を高い確率で推測するのに十分であることを示す。
  論文  参考訳（メタデータ） (2024-07-13T21:46:57Z)
• A Neural Framework for Generalized Causal Sensitivity Analysis [78.71545648682705]
  本稿では,因果感受性分析のためのニューラルネットワークフレームワークであるNeuralCSAを提案する。 我々は、NeuralCSAが関心の因果クエリに有効な境界を推測できることを理論的に保証する。
  論文  参考訳（メタデータ） (2023-11-27T17:40:02Z)
• Causal Inference from Text: Unveiling Interactions between Variables [20.677407402398405]
  既存の方法は、治療と結果の両方に影響を及ぼす共変量しか説明できない。 このバイアスは、衝突しない共変量について十分に考慮されていないことから生じる。 本研究では,変数間の相互作用を明らかにすることにより,バイアスを軽減することを目的とする。
  論文  参考訳（メタデータ） (2023-11-09T11:29:44Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• 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)
• 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)
• Causal Mediation Analysis with Hidden Confounders [24.246450472404614]
  CMA (Causal Mediation Analysis) は因果効果の同定と推定のための公式な統計手法である。 この研究は、統一された共著者とそのプロキシ変数による因果グラフに従うことによって、厳密な仮定を回避することを目的とする。 我々のコアコントリビューションは、深層潜伏変数モデルとプロキシ戦略を組み合わせたアルゴリズムであり、統一された代理共同創設者を共同で推論し、観測変数からCMAの異なる因果効果を推定する。
  論文  参考訳（メタデータ） (2021-02-21T06:46:11Z)
• A standardized framework for risk-based assessment of treatment effect heterogeneity in observational healthcare databases [60.07352590494571]
  本研究の目的は,この手法を標準化されたスケーラブルなフレームワークを用いて観測環境に拡張することであった。 アンジオテンシン変換酵素阻害薬(ACE)とβ阻害薬の3つの効果と6つの安全性に対する効果を評価することにより,我々の枠組みを実証する。
  論文  参考訳（メタデータ） (2020-10-13T14:48:31Z)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)
• Treatment effect estimation with disentangled latent factors [24.803992990503186]
  本研究では, 平均および条件付き平均処理効果推定において, 機器およびリスク要因との相違因子の識別の重要性を示す。 本研究では, 観測変数から潜伏因子を同時に推定し, 機器, コンバウンディング, リスク要因に対応する3つの解離集合に分解し, その解離因子を用いて治療効果を推定する変動推論手法を提案する。
  論文  参考訳（メタデータ） (2020-01-29T01:00:36Z)

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。