論文の概要: Treatment Effect Estimation with Unmeasured Confounders in Data Fusion

• arxiv url: http://arxiv.org/abs/2208.10912v1
• Date: Tue, 23 Aug 2022 12:44:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-24 13:36:02.593818
• Title: Treatment Effect Estimation with Unmeasured Confounders in Data Fusion
• Title（参考訳）: データ融合における非計測共同設立者による処理効果推定
• Authors: Anpeng Wu, Kun Kuang, Ruoxuan Xiong, Minqing Zhu, Yuxuan Liu, Bo Li, Furui Liu, Zhihua Wang, Fei Wu
• Abstract要約: 未測定の共同創設者の存在下では,データ融合による治療効果推定の問題に対処する。 未測定の共同設立者やデータ融合によるバイアスに対処するため,観測データを複数のグループに分割することを提案する。 グループインジケータをLatGIV(Latent Group Instrumental Variable)として明示的にモデル化し、IVベースの回帰を実装する。
• 参考スコア（独自算出の注目度）: 28.91058949447124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the presence of unmeasured confounders, we address the problem of treatment effect estimation from data fusion, that is, multiple datasets collected under different treatment assignment mechanisms. For example, marketers may assign different advertising strategies to the same products at different times/places. To handle the bias induced by unmeasured confounders and data fusion, we propose to separate the observational data into multiple groups (each group with an independent treatment assignment mechanism), and then explicitly model the group indicator as a Latent Group Instrumental Variable (LatGIV) to implement IV-based Regression. In this paper, we conceptualize this line of thought and develop a unified framework to (1) estimate the distribution differences of observed variables across groups; (2) model the LatGIVs from the different treatment assignment mechanisms; and (3) plug LatGIVs to estimate the treatment-response function. Empirical results demonstrate the advantages of the LatGIV compared with state-of-the-art methods.
• Abstract（参考訳）: 非測定共同設立者の存在下では、データ融合、すなわち、異なる処理代入機構の下で収集された複数のデータセットから処理効果推定を行う問題に対処する。 例えば、マーケターは異なる時間/場所において同じ商品に異なる広告戦略を割り当てることができる。 本研究では,無測定の共同創設者とデータ融合によるバイアスに対処するため,観察データを複数のグループ(それぞれ独立処理代行機構を持つグループ)に分割し,グループインジケータを遅延群楽器変数(LatGIV)として明示的にモデル化し,IVベースの回帰を実装することを提案する。 本稿では,この考え方を概念化し,(1)グループ間で観測された変数の分布差を推定する統一的な枠組みを構築し,(2)異なる処理割り当て機構からLatGIVをモデル化し,(3)LatGIVをプラグして処理応答関数を推定する。 実験結果は,最先端手法と比較して,latgivの利点を示す。

関連論文リスト

• Counterfactual Data Augmentation with Contrastive Learning [27.28511396131235]
  本稿では,選択したサブセットに対して,結果に反する結果をもたらすモデルに依存しないデータ拡張手法を提案する。 我々は、比較学習を用いて表現空間と類似度尺度を学習し、学習された類似度尺度で同定された個人に近い学習空間において、同様の潜在的な結果が得られるようにした。 この性質は、代替治療群から近接した近縁者に対する対実的な結果の信頼性の高い計算を保証する。
  論文  参考訳（メタデータ） (2023-11-07T00:36:51Z)
• TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective [50.675845725806724]
  個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。 TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。 提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
  論文  参考訳（メタデータ） (2022-12-17T15:01:05Z)
• 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)
• Intact-VAE: Estimating Treatment Effects under Unobserved Confounding [21.33872753593482]
  Intact-VAEは、治療効果の特定に十分である予後スコアに動機づけられた新しいバリエーションの可変オートエンコーダ(VAE)である。 理論的には,ある条件下では治療効果をモデルによって同定し,さらに,モデルの識別性に基づいて,vaeは治療群に対してバランスの取れた一貫した推定器であることを示した。
  論文  参考訳（メタデータ） (2021-01-17T13:03:44Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Balance Regularized Neural Network Models for Causal Effect Estimation [16.8658322310041]
  マルチヘッドニューラルネットワークアーキテクチャのバランス正則化を提唱する。 さらに,コントロールグループにおけるコントロールアウトプットに類似した治療グループ内の個人に対するコントロールアウトプットの予測を促すことで,モデルをさらにレギュラー化する。
  論文  参考訳（メタデータ） (2020-11-23T04:03:55Z)
• Learning Decomposed Representation for Counterfactual Inference [53.36586760485262]
  観察データから治療効果を推定する際の根本的な問題は、共同設立者の識別とバランスである。 これまでの方法の多くは、観察されたすべての事前処理変数を共同創設者として扱い、共同創設者と非共同創設者の識別をさらに無視することで、共同ファウンダーのバランスを実現していた。 本研究では,1)共同創設者と非共同創設者の両方の表現を学習することで共同創設者を同定し,2)再重み付け手法のバランスをとるとともに,同時に,反実的推論による観察研究における治療効果を推定する相乗的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-12T09:50:42Z)
• 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)
• Learning Overlapping Representations for the Estimation of Individualized Treatment Effects [97.42686600929211]
  観測データから代替案の可能性を推定することは難しい問題である。 入力のドメイン不変表現を学習するアルゴリズムは、しばしば不適切であることを示す。 我々は,様々なベンチマークデータセットの最先端性を大幅に向上させる,ディープカーネル回帰アルゴリズムと後続正規化フレームワークを開発した。
  論文  参考訳（メタデータ） (2020-01-14T12:56:29Z)

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。