論文の概要: DeepMed: Semiparametric Causal Mediation Analysis with Debiased Deep
Learning
- arxiv url: http://arxiv.org/abs/2210.04389v1
- Date: Mon, 10 Oct 2022 01:45:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 15:58:59.406165
- Title: DeepMed: Semiparametric Causal Mediation Analysis with Debiased Deep
Learning
- Title(参考訳): DeepMed:Debiased Deep Learningを用いた半パラメトリック因果メディエーション分析
- Authors: Siqi Xu, Lin Liu, Zhonghua Liu
- Abstract要約: 因果仲裁分析は、生物医学や社会科学における因果経路を遠ざける強力なツールである。
本稿では、ディープニューラルネットワーク(DNN)を用いて、効率的な影響関数の無限次元ニュアンス関数をクロスフィットするDeepMedと呼ばれる新しい手法を提案する。
- 参考スコア(独自算出の注目度): 13.495485731447731
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Causal mediation analysis can unpack the black box of causality and is
therefore a powerful tool for disentangling causal pathways in biomedical and
social sciences, and also for evaluating machine learning fairness. To reduce
bias for estimating Natural Direct and Indirect Effects in mediation analysis,
we propose a new method called DeepMed that uses deep neural networks (DNNs) to
cross-fit the infinite-dimensional nuisance functions in the efficient
influence functions. We obtain novel theoretical results that our DeepMed
method (1) can achieve semiparametric efficiency bound without imposing
sparsity constraints on the DNN architecture and (2) can adapt to certain low
dimensional structures of the nuisance functions, significantly advancing the
existing literature on DNN-based semiparametric causal inference. Extensive
synthetic experiments are conducted to support our findings and also expose the
gap between theory and practice. As a proof of concept, we apply DeepMed to
analyze two real datasets on machine learning fairness and reach conclusions
consistent with previous findings.
- Abstract(参考訳): 因果的調停分析は因果性のブラックボックスを解き放ち、それゆえ、生物医学および社会科学における因果的経路を分離し、機械学習の公平性を評価する強力なツールである。
媒介分析における自然方向と間接効果を推定するバイアスを低減するために,ディープニューラルネットワーク(DNN)を用いて,効率的な影響関数の無限次元ニュアンス関数をクロスフィットするDeepMedを提案する。
我々は,(1)DNNアーキテクチャに空間的制約を課さずに半パラメトリック効率を達成でき,(2)ニュアンス関数の低次元構造に適応し,DNNに基づく半パラメトリック因果推論に関する既存の文献を著しく向上させることができる,という新たな理論結果を得た。
本研究の成果を裏付ける総合的な合成実験を行い,理論と実践のギャップを明らかにする。
概念実証として、DeepMedを用いて、機械学習の公正性に関する2つの実際のデータセットを分析し、過去の結果と一致する結論に達する。
関連論文リスト
- Information Bottleneck Analysis of Deep Neural Networks via Lossy
Compression [55.41644538483948]
Information Bottleneck(IB)原則は、ディープニューラルネットワーク(DNN)のトレーニングプロセスを分析するための情報理論フレームワークを提供する。
本稿では,一般NNのICB解析のための包括的フレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-13T21:44:32Z) - mSPD-NN: A Geometrically Aware Neural Framework for Biomarker Discovery
from Functional Connectomics Manifolds [8.37609145576126]
本稿では,コネクトーム,すなわちmSPD-NNのための幾何学的認識型ニューラルネットワークフレームワークを提案する。
我々は,SPD平均推定のための一般的な選択肢に対するmSPD-NNの有効性を実証した。
ADHD-ASD併用性および健常者におけるネットワークの微妙な差異に関連する安定なバイオマーカーを明らかにする。
論文 参考訳(メタデータ) (2023-03-27T08:30:11Z) - Error convergence and engineering-guided hyperparameter search of PINNs:
towards optimized I-FENN performance [0.0]
PINNコンポーネントの2つの重要な側面に着目し,I-FENNの厳格さと性能を向上させる。
本稿では,新しい総合的パフォーマンス指標のセットに基づく体系的な数値的アプローチを提案する。
提案された分析は、科学と工学の他の応用にも直接拡張することができる。
論文 参考訳(メタデータ) (2023-03-03T17:39:06Z) - Covariate-Balancing-Aware Interpretable Deep Learning models for
Treatment Effect Estimation [15.465045049754336]
本稿では, 高い無知性仮定の下での平均処理推定値のバイアスの上限について提案する。
新たな付加型ニューラルネットワークアーキテクチャを活用することにより、目的関数としてこの上限を実装する。
提案手法は、因果推論のためのベンチマークデータセットを再検討し、最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-03-07T07:42:40Z) - Credit Assignment in Neural Networks through Deep Feedback Control [59.14935871979047]
ディープフィードバックコントロール(Deep Feedback Control, DFC)は、フィードバックコントローラを使用して、望ましい出力ターゲットにマッチするディープニューラルネットワークを駆動し、クレジット割り当てに制御信号を使用する新しい学習方法である。
学習規則は空間と時間において完全に局所的であり、幅広い接続パターンに対するガウス・ニュートンの最適化を近似する。
さらに,DFCと皮質錐体ニューロンのマルチコンパートメントモデルと,局所的な電圧依存性のシナプス可塑性規則を関連づける。
論文 参考訳(メタデータ) (2021-06-15T05:30:17Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳(メタデータ) (2021-06-03T00:02:05Z) - Vulnerability Under Adversarial Machine Learning: Bias or Variance? [77.30759061082085]
本研究では,機械学習が訓練された深層ニューラルネットワークのバイアスと分散に与える影響について検討する。
我々の分析は、ディープニューラルネットワークが対向的摂動下で性能が劣っている理由に光を当てている。
本稿では,計算処理の複雑さをよく知られた機械学習手法よりも低く抑えた,新しい逆機械学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-08-01T00:58:54Z) - A Theoretical Framework for Target Propagation [75.52598682467817]
我々は、バックプロパゲーション(BP)の代替として人気があるが、まだ完全には理解されていないターゲット伝搬(TP)を解析する。
提案理論は,TPがガウス・ニュートン最適化と密接に関係していることを示し,BPとは大きく異なる。
我々は,フィードバックウェイトトレーニングを改善する新しいリコンストラクション損失を通じて,この問題に対する第1の解決策を提供する。
論文 参考訳(メタデータ) (2020-06-25T12:07:06Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z) - Nonparametric inference for interventional effects with multiple
mediators [0.0]
より柔軟で、おそらく機械学習に基づく推定技術を可能にする理論を提供する。
提案した推定器の複数のロバスト性特性を示す。
本研究は, 介入媒介効果の推定において, 最新の統計的学習手法を活用する手段を提供する。
論文 参考訳(メタデータ) (2020-01-16T19:05:00Z)
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。