Fugu-MT 論文翻訳(概要): Unit Selection with Nonbinary Treatment and Effect

論文の概要: Unit Selection with Nonbinary Treatment and Effect

arxiv url: http://arxiv.org/abs/2208.09569v1
Date: Sat, 20 Aug 2022 00:01:46 GMT
ステータス: 処理完了
システム内更新日: 2022-08-23 13:12:15.617702
Title: Unit Selection with Nonbinary Treatment and Effect
Title（参考訳）: 非バイナリ処理によるユニット選択と効果
Authors: Ang Li and Judea Pearl
Abstract要約: 単体選択問題は、望ましい行動様式を示す可能性が最も高い個人を特定することを目的としている。実験データと観測データを組み合わせることで、LiとPearlは「適合関数」の厳密な境界を導出した本稿では, 処理と効果が二項に制限されないように, 便益関数を一般形式に拡張する。
参考スコア（独自算出の注目度）: 20.750773939911685
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The unit selection problem aims to identify a set of individuals who are most likely to exhibit a desired mode of behavior, for example, selecting individuals who would respond one way if encouraged and a different way if not encouraged. Using a combination of experimental and observational data, Li and Pearl derived tight bounds on the "benefit function", which is the payoff/cost associated with selecting an individual with given characteristics. This paper extends the benefit function to the general form such that the treatment and effect are not restricted to binary. We propose an algorithm to test the identifiability of the nonbinary benefit function and an algorithm to compute the bounds of the nonbinary benefit function using experimental and observational data.
Abstract（参考訳）: 単位選択問題(unit selection problem)は、望ましい行動様式を示す可能性が最も高い集団を特定することを目的としている。実験データと観測データの組み合わせを用いて、LiとPearlは、与えられた特性を持つ個人を選択することで得られる「便益関数」の厳密な境界を導出した。本稿では,治療と効果がバイナリに制限されないように,利益関数を一般形式に拡張する。本研究では、非二元利益関数の識別可能性をテストするアルゴリズムと、実験データと観測データを用いて非二元利益関数の境界を計算するアルゴリズムを提案する。

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)
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)
Unit Selection: Learning Benefit Function from Finite Population Data [40.99426447422972]
単位選択問題は、評価と探索サブプロブレムからなる。本稿では,有限集団データから推定可能な恩恵関数のバウンダリを用いた機械学習フレームワークを提案する。
論文参考訳（メタデータ） (2022-10-15T05:48:01Z)
Bounding Counterfactuals under Selection Bias [60.55840896782637]
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。
論文参考訳（メタデータ） (2022-07-26T10:33:10Z)
Neural Greedy Pursuit for Feature Selection [72.4121881681861]
我々は,非線形予測問題に対する$P$入力機能のうち,$N$重要な特徴を選択するための欲求アルゴリズムを提案する。ニューラルネットワークをアルゴリズムの予測子として使用し、損失を計算します。
論文参考訳（メタデータ） (2022-07-19T16:39:16Z)
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)
Unit Selection with Causal Diagram [27.872692504502286]
単体選択問題は、望ましい行動様式を示す可能性が最も高い個人を特定することを目的としている。実験データと観測データを組み合わせることで、LiとPearlは「適合関数」の厳密な境界を導出した
論文参考訳（メタデータ） (2021-09-15T20:06:25Z)
Causal Markov Boundaries [0.0]
観測データを用いて特徴選択と効果推定を改善する方法を紹介します。本論文では,マルコフ境界の概念を治療成果ペアに拡張する。
論文参考訳（メタデータ） (2021-03-12T22:49:10Z)
Deep Reinforcement Learning of Graph Matching [63.469961545293756]
ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
論文参考訳（メタデータ） (2020-12-16T13:48:48Z)
ROIAL: Region of Interest Active Learning for Characterizing Exoskeleton Gait Preference Landscapes [64.87637128500889]
興味あるアクティブラーニング(ROIAL)フレームワークの領域は、関心のある領域を通じて、各ユーザの基盤となるユーティリティ関数を積極的に学習する。 ROIALは、絶対的な数値スコアよりも信頼性の高いフィードバックメカニズムである順序と選好のフィードバックから学習する。以上の結果から,限られた人為的試行から歩行実用景観を回復できる可能性が示唆された。
論文参考訳（メタデータ） (2020-11-09T22:45:58Z)
Leveraging both Lesion Features and Procedural Bias in Neuroimaging: An Dual-Task Split dynamics of inverse scale space [21.05070956384346]
病変の予測と選択は、ボクセルによる神経画像解析において2つの重要な課題である。本稿では, 神経画像データの特徴/語彙は, 病変特徴, 手続きバイアス, ヌル特徴の3つの部分から構成されることを示す。病変の特徴を安定的に選択し,手続き的バイアスを予測に活用するために,反復アルゴリズム(GSplit LBI)を提案する。本モデルの有効性とメリットは,予測結果の改善と,視覚化された手続きバイアスと病変の特徴の解釈可能性によって示される。
論文参考訳（メタデータ） (2020-07-17T03:41:48Z)

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。