論文の概要: $\rho$-GNF : A Novel Sensitivity Analysis Approach Under Unobserved
Confounders
- arxiv url: http://arxiv.org/abs/2209.07111v1
- Date: Thu, 15 Sep 2022 07:49:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-16 12:17:16.400951
- Title: $\rho$-GNF : A Novel Sensitivity Analysis Approach Under Unobserved
Confounders
- Title（参考訳）: $\rho$-GNF : 非保守的共同ファウンダーによる新しい感度分析アプローチ
- Authors: Sourabh Balgi, Jose M. Pe\~na, Adel Daoud
- Abstract要約: 本研究では,コプラと正規化フローを組み合わせた新しい感度解析モデルを提案する。
我々は新しいモデルを$rho$-GNF(rho$-Graphical Normalizing Flow)と呼び、$rhoin[-1,+1]$は有界感度パラメータである。
- 参考スコア（独自算出の注目度）: 0.1933681537640272
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a new sensitivity analysis model that combines copulas and
normalizing flows for causal inference under unobserved confounding. We refer
to the new model as $\rho$-GNF ($\rho$-Graphical Normalizing Flow), where
$\rho{\in}[-1,+1]$ is a bounded sensitivity parameter representing the backdoor
non-causal association due to unobserved confounding modeled using the most
well studied and widely popular Gaussian copula. Specifically, $\rho$-GNF
enables us to estimate and analyse the frontdoor causal effect or average
causal effect (ACE) as a function of $\rho$. We call this the $\rho_{curve}$.
The $\rho_{curve}$ enables us to specify the confounding strength required to
nullify the ACE. We call this the $\rho_{value}$. Further, the $\rho_{curve}$
also enables us to provide bounds for the ACE given an interval of $\rho$
values. We illustrate the benefits of $\rho$-GNF with experiments on simulated
and real-world data in terms of our empirical ACE bounds being narrower than
other popular ACE bounds.
- Abstract（参考訳）: 因果推論のためのコプラと正規化フローを組み合わせた新しい感度解析モデルを提案する。
我々は、新しいモデルを $\rho$-GNF (\rho$-Graphical Normalizing Flow) と呼び、$\rho{\in}[-1,+1]$ は、最もよく研究され広く普及しているガウスコプラを用いてモデル化された観測不能な共役により、バックドア非因果関係を表す有界感度パラメータである。
具体的には、$\rho$-GNFは、$\rho$の関数として、フロントドア因果効果や平均因果効果(ACE)を推定し分析することができる。
これを$\rho_{curve}$と呼ぶ。
$\rho_{curve}$ は ace を無効化するために必要な結合強度を指定できる。
これを$\rho_{value}$と呼ぶ。
さらに$\rho_{curve}$は、$\rho$値の間隔が与えられた値に対して、ACEのバウンダリを提供することを可能にする。
実験的なACE境界は、他の人気のあるACE境界よりも狭いという観点から、シミュレーションおよび実世界のデータを実験することで、$\rho$-GNFの利点を説明する。
関連論文リスト
- Convergence Rate Analysis of LION [54.28350823319057]
LION は、勾配カルシュ=クーン=T (sqrtdK-)$で測定された $cal(sqrtdK-)$ の反復を収束する。
従来のSGDと比較して,LIONは損失が小さく,性能も高いことを示す。
論文 参考訳（メタデータ） (2024-11-12T11:30:53Z) - Convergence of Unadjusted Langevin in High Dimensions: Delocalization of Bias [13.642712817536072]
問題の次元が$d$になるにつれて、所望の誤差内で収束を保証するのに必要なイテレーションの数が増加することを示す。
私たちが取り組んだ重要な技術的課題は、収束を測定するための$W_2,ellinfty$メートル法に一段階の縮約性がないことである。
論文 参考訳（メタデータ） (2024-08-20T01:24:54Z) - On Computing Pairwise Statistics with Local Differential Privacy [55.81991984375959]
例えば$binomn2-1 sum_i ne j f(x_i, x_j)$, $x_i$ は$i$thユーザへの入力を表し、ローカルモデルでは差分プライバシ(DP)である。
この定式化は、Kendallの$tau$ coefficient、Area Under Curve、Giniの平均差、Giniのエントロピーなどの重要なメトリクスをキャプチャする。
論文 参考訳（メタデータ） (2024-06-24T04:06:09Z) - Neural network learns low-dimensional polynomials with SGD near the information-theoretic limit [75.4661041626338]
単一インデックス対象関数 $f_*(boldsymbolx) = textstylesigma_*left(langleboldsymbolx,boldsymbolthetarangleright)$ の勾配勾配勾配学習問題について検討する。
SGDに基づくアルゴリズムにより最適化された2層ニューラルネットワークは、情報指数に支配されない複雑さで$f_*$を学習する。
論文 参考訳（メタデータ） (2024-06-03T17:56:58Z) - Smooth Sensitivity for Geo-Privacy [17.835910182900985]
微分プライバシーの局所モデル (LDP) は、この問題が研究されている主要なモデルである。
Geo-Privacy (GP) は、識別可能性のレベルが$mathrmdist(x_i, x_i')$に比例することを規定している。
微分プライバシーからGeo-Privacyへのスムーズな感度フレームワークを一般化することで、与えられたインスタンスの硬さに合わせてノイズを加えることができます。
論文 参考訳（メタデータ） (2024-05-10T08:32:07Z) - Effective Minkowski Dimension of Deep Nonparametric Regression: Function
Approximation and Statistical Theories [70.90012822736988]
ディープ非パラメトリック回帰に関する既存の理論は、入力データが低次元多様体上にある場合、ディープニューラルネットワークは本質的なデータ構造に適応できることを示した。
本稿では,$mathcalS$で表される$mathbbRd$のサブセットに入力データが集中するという緩和された仮定を導入する。
論文 参考訳（メタデータ） (2023-06-26T17:13:31Z) - High-Dimensional Smoothed Entropy Estimation via Dimensionality
Reduction [14.53979700025531]
微分エントロピー$h(X+Z)$を独立に$n$で推定し、同じ分散サンプルを$X$とする。
絶対誤差損失では、上記の問題はパラメータ推定率$fraccDsqrtn$である。
我々は、エントロピー推定の前に主成分分析(PCA)を通して低次元空間に$X$を投影することで、この指数的なサンプル複雑性を克服する。
論文 参考訳（メタデータ） (2023-05-08T13:51:48Z) - Approximate Function Evaluation via Multi-Armed Bandits [51.146684847667125]
既知の滑らかな関数 $f$ の値を未知の点 $boldsymbolmu in mathbbRn$ で推定する問題について検討する。
我々は、各座標の重要性に応じてサンプルを学習するインスタンス適応アルゴリズムを設計し、少なくとも1-delta$の確率で$epsilon$の正確な推定値である$f(boldsymbolmu)$を返す。
論文 参考訳（メタデータ） (2022-03-18T18:50:52Z) - Non-Gaussian Component Analysis via Lattice Basis Reduction [56.98280399449707]
非ガウス成分分析(NGCA)は分布学習問題である。
我々は,NGCA に対して,$A$ が離散的あるいはほぼ離散的であるような効率的なアルゴリズムを提供する。
論文 参考訳（メタデータ） (2021-12-16T18:38:02Z) - Analytic Characterization of the Hessian in Shallow ReLU Models: A Tale
of Symmetry [9.695960412426672]
我々は,スプリアスミニマの様々な家系でヘッセンを解析的に特徴付ける。
特に、$dge k$ 標準ガウス入力について、 (a) ヘッセンの $dk$ 固有値の内、$dk - O(d)$ が 0 に近づき、 (b) $Omega(d)$ 固有値は $k$ で線型的に増加することを証明している。
論文 参考訳（メタデータ） (2020-08-04T20:08:35Z)
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。