論文の概要: Disentangling Causal Effects from Sets of Interventions in the Presence of Unobserved Confounders

• arxiv url: http://arxiv.org/abs/2210.05446v1
• Date: Tue, 11 Oct 2022 13:42:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 14:37:07.585838
• Title: Disentangling Causal Effects from Sets of Interventions in the Presence of Unobserved Confounders
• Title（参考訳）: 観察されていない共同創設者の存在下での介入セットからの因果効果の排除
• Authors: Olivier Jeunen, Ciar\'an M. Gilligan-Lee, Rishabh Mehrotra, Mounia Lalmas
• Abstract要約: 我々は,観察データと介入セットの両方から,単一介入の効果を学習することを目的とする。 異なるレシスタンスからデータをプールすることで因果モデルパラメータを学習するアルゴリズムを提案する。 本手法の有効性は,合成データと実世界のデータの両方で実証的に実証された。
• 参考スコア（独自算出の注目度）: 19.32843499761667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to answer causal questions is crucial in many domains, as causal inference allows one to understand the impact of interventions. In many applications, only a single intervention is possible at a given time. However, in some important areas, multiple interventions are concurrently applied. Disentangling the effects of single interventions from jointly applied interventions is a challenging task -- especially as simultaneously applied interventions can interact. This problem is made harder still by unobserved confounders, which influence both treatments and outcome. We address this challenge by aiming to learn the effect of a single-intervention from both observational data and sets of interventions. We prove that this is not generally possible, but provide identification proofs demonstrating that it can be achieved under non-linear continuous structural causal models with additive, multivariate Gaussian noise -- even when unobserved confounders are present. Importantly, we show how to incorporate observed covariates and learn heterogeneous treatment effects. Based on the identifiability proofs, we provide an algorithm that learns the causal model parameters by pooling data from different regimes and jointly maximizing the combined likelihood. The effectiveness of our method is empirically demonstrated on both synthetic and real-world data.
• Abstract（参考訳）: 因果的推論は介入の影響を理解することを可能にするため、多くの領域において因果的疑問に答える能力は不可欠である。 多くのアプリケーションでは、特定の時間に1つの介入しかできない。 しかし、いくつかの重要な領域では、複数の介入が同時に適用される。 共同した介入から単一介入の効果を分離することは難しい課題であり、特に同時に適用された介入が相互作用できるためである。 この問題は、治療と結果の両方に影響を与える観察されていない共同創設者によって、なおも難しくなっています。 我々は,観察データと介入セットから単一介入の効果を学習することを目指して,この問題に対処する。 これは一般には不可能であると証明するが、非線型連続的な構造因果モデルの下で、加法的、多変量ガウスノイズで達成可能であることを示す識別証明を提供する。 重要なことは、観察された共変体を組み込んで不均一な治療効果を学習する方法である。 識別可能性の証明に基づいて,異なるレジームからデータをプールし,組み合わせ確率を最大化することにより,因果モデルパラメータを学習するアルゴリズムを提案する。 本手法の有効性は,合成データと実世界データの両方において実証的に実証される。

関連論文リスト

• Higher-Order Causal Message Passing for Experimentation with Complex Interference [6.092214762701847]
  本研究では、因果的メッセージパッシングに基づく新しい推定器のクラスを導入し、広範で未知な干渉のある設定に特化して設計する。 我々の推定器は、サンプルの平均値と時間とともに単位結果と処理のばらつきから情報を抽出し、観測データの効率的な利用を可能にする。
  論文  参考訳（メタデータ） (2024-11-01T18:00:51Z)
• Integrating Active Learning in Causal Inference with Interference: A Novel Approach in Online Experiments [5.488412825534217]
  ACI(Causal Inference with Interference)におけるアクティブラーニング手法について紹介する。 ACIはガウス過程を用いて、隣人の治療課題の連続的な測定の関数として直接的および余分な処理効果を柔軟にモデル化する。 データ要求の低減による精度の高い効果推定の実現可能性を示す。
  論文  参考訳（メタデータ） (2024-02-20T04:13:59Z)
• The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation [53.81860494566915]
  既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。 多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。 この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
  論文  参考訳（メタデータ） (2023-09-29T14:33:48Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Learning Individual Treatment Effects under Heterogeneous Interference in Networks [34.16062968227468]
  ネットワーク観測データによる個々の治療効果の推定が注目されている。 ネットワークシナリオにおける大きな課題の1つは、安定した単位処理値の仮定に違反していることである。 本稿では,注目重みを同時に学習するDWRアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-25T15:00:05Z)
• Valid Inference After Causal Discovery [73.87055989355737]
  我々は、因果関係発見後の推論に有効なツールを開発する。 因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-08-11T17:40:45Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Learning Joint Nonlinear Effects from Single-variable Interventions in the Presence of Hidden Confounders [9.196779204457059]
  隠れた共同設立者の存在下での複数同時介入の効果を推定する手法を提案する。 非線形連続構造因果モデルからデータが生成されるという仮定の下で、同定可能性を証明する。 また,本研究の総合的な実験により,同定可能性の検証や,合成データと実世界データの両方のベースラインに対するアプローチの性能の比較を行う。
  論文  参考訳（メタデータ） (2020-05-23T12:52:09Z)
• Causal Inference under Networked Interference and Intervention Policy Enhancement [35.149125599812706]
  ランダム化実験のデータから個々の治療効果を推定することは因果推論において重要な課題である。 通常、ランダム化実験や相互接続された単位による観測実験では、干渉下でのみ治療反応を観察することができる。 本稿では,グラフの依存性を捕捉する強力なツールであるGNNを用いて,一般的なネットワーク干渉下での因果効果の推定について検討する。
  論文  参考訳（メタデータ） (2020-02-20T00:35:50Z)

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。