論文の概要: Inference on Causal Effects of Interventions in Time using Gaussian Processes

• arxiv url: http://arxiv.org/abs/2210.02850v1
• Date: Thu, 6 Oct 2022 12:10:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 17:38:47.721114
• Title: Inference on Causal Effects of Interventions in Time using Gaussian Processes
• Title（参考訳）: ガウス過程を用いた時間内干渉の因果効果の推論
• Authors: Gianluca Giudice, Sara Geneletti and Konstantinos Kalogeropoulos
• Abstract要約: 本稿では,特定の時点における介入の因果的影響を推測することに焦点を当てた。 我々は、中断した時系列のフレームワークを運用し、合成制御のようなアプローチを拡張します。 開発されたモデルには高い柔軟性があり、機能形式にはほとんど制限がない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper focuses on drawing inference on the causal impact of an intervention at a specific time point, as manifested in an outcome variable over time. We operate on the interrupted time series framework and expand on approaches such as the synthetic control (Abadie 2003) and Bayesian structural time series (Brodersen et al 2015), by replacing the underlying dynamic linear regression model with a non-parametric formulation based on Gaussian Processes. The developed models possess a high degree of flexibility posing very little limitations on the functional form and allow to incorporate uncertainty, stemming from its estimation, under the Bayesian framework. We introduce two families of non-parametric structural time series models either operating on the trajectory of the outcome variable alone, or in a multivariate setting using multiple output Gaussian processes. The paper engages closely with a case study focusing on the impact of the accelerated UK vaccination schedule, as contrasted with the rest of Europe, to illustrate the methodology and present the implementation procedure.
• Abstract（参考訳）: 本稿では、時間とともに結果変数に現れるように、特定の時点における介入の因果的影響を推論することに焦点を当てる。 我々は、割り込み時系列の枠組みを運用し、ガウス過程に基づく非パラメトリックな定式化を基礎とした動的線形回帰モデルを置き換えることにより、合成制御(2003年秋)やベイズ構造時系列(Brodersen et al 2015)のようなアプローチを拡張した。 開発されたモデルは、機能形式にほとんど制限を課さない高い柔軟性を持ち、ベイズフレームワークの下で、その推定から生じる不確実性を組み込むことができる。 結果変数の軌道のみに作用する非パラメトリック構造時系列モデルの2つのファミリを導入するか、複数のガウス過程を用いて多変量設定を行う。 本論文は、欧州の他の地域と対照的に、英国における予防接種計画の加速の影響に焦点を当てたケーススタディと密接に関わり、その方法論を解説し、実施手順を提示する。

関連論文リスト

• A Practical Approach to Causal Inference over Time [17.660953125689105]
  我々は因果介入とその時間的影響を離散時間プロセス(DSP)に定義する。 因果介入前後のDSPの平衡状態が構造因果モデル(SCM)によって把握できる条件を示す。 得られた因果VARフレームワークにより、観測時系列データから経時的に因果推論を行うことができる。
  論文  参考訳（メタデータ） (2024-10-14T13:45:20Z)
• Sequential Representation Learning via Static-Dynamic Conditional Disentanglement [58.19137637859017]
  本稿では,ビデオ中の時間非依存要因と時間変化要因を分離することに着目し,逐次的データ内での自己教師付き不整合表現学習について検討する。 本稿では,静的/動的変数間の因果関係を明示的に考慮し,それらの因子間の通常の独立性仮定を破る新しいモデルを提案する。 実験により、提案手法は、シーンのダイナミックスが内容に影響されるシナリオにおいて、従来の複雑な最先端技術よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-10T17:04:39Z)
• Causal Inference from Slowly Varying Nonstationary Processes [2.3072402651280517]
  観測データヒンジからの因果推論は、データ生成機構による原因と効果の非対称性に依存する。 本稿では,時間変化フィルタと定常雑音を用いた新しい構造因果モデルを提案し,非定常性から非対称性を利用して因果同定を行う。
  論文  参考訳（メタデータ） (2024-05-11T04:15:47Z)
• Revisiting the Temporal Modeling in Spatio-Temporal Predictive Learning under A Unified View [73.73667848619343]
  UTEP(Unified S-Temporal Predictive Learning)は,マイクロテンポラリスケールとマクロテンポラリスケールを統合した再帰的および再帰的フリーな手法を再構築する,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2023-10-09T16:17:42Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Continuous Latent Process Flows [47.267251969492484]
  任意の時間スタンプにおける連続時系列ダイナミクスの部分的な観察は多くの分野に存在する。このタイプのデータに連続力学を用いた統計モデルを適用することは、直感的なレベルで有望であるだけでなく、実用的な利点もある。 微分方程式によって駆動される時間依存正規化フローを用いて、連続潜時プロセスを連続可観測プロセスに復号する原則的アーキテクチャである連続潜時プロセスフロー(CLPF)を用いて、これらの課題に取り組む。 我々のアブレーション研究は、不規則な時間グリッド上での様々な推論タスクへの貢献の有効性を実証している。
  論文  参考訳（メタデータ） (2021-06-29T17:16:04Z)
• The temporal overfitting problem with applications in wind power curve modeling [8.057262184815636]
  本稿では,時間的過適合問題に対処する新しい手法を提案する。 本稿では,風力エネルギーのパワー曲線モデリングを対象とする。
  論文  参考訳（メタデータ） (2020-12-02T17:39:57Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)
• Causal Modeling with Stochastic Confounders [11.881081802491183]
  この作業は、共同設立者との因果推論を拡張します。 本稿では,ランダムな入力空間を持つ表現子定理に基づく因果推論のための変分推定手法を提案する。
  論文  参考訳（メタデータ） (2020-04-24T00:34:44Z)
• Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
  我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。 我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。 継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-27T18:46:21Z)

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。