論文の概要: A Neural Mean Embedding Approach for Back-door and Front-door Adjustment
- arxiv url: http://arxiv.org/abs/2210.06610v1
- Date: Wed, 12 Oct 2022 22:26:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 17:26:44.733908
- Title: A Neural Mean Embedding Approach for Back-door and Front-door Adjustment
- Title（参考訳）: バックドアおよびフロントドア調整のためのニューラル平均埋め込み手法
- Authors: Liyuan Xu and Arthur Gretton
- Abstract要約: 本研究では, 後方調整と前方調整の2つの設定の下で, 平均的および非実効的治療効果を推定することを検討した。
どちらのケースも、隠れた共同設立者にアクセスすることなく治療効果を回復することが目標だ。
本稿では,第1段階の学習した入力特徴に対する回帰関数を直接利用して,これらの条件付き期待値を計算することを提案する。
- 参考スコア（独自算出の注目度）: 25.313926264485065
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the estimation of average and counterfactual treatment effects,
under two settings: back-door adjustment and front-door adjustment. The goal in
both cases is to recover the treatment effect without having an access to a
hidden confounder. This objective is attained by first estimating the
conditional mean of the desired outcome variable given relevant covariates (the
"first stage" regression), and then taking the (conditional) expectation of
this function as a "second stage" procedure. We propose to compute these
conditional expectations directly using a regression function to the learned
input features of the first stage, thus avoiding the need for sampling or
density estimation. All functions and features (and in particular, the output
features in the second stage) are neural networks learned adaptively from data,
with the sole requirement that the final layer of the first stage should be
linear. The proposed method is shown to converge to the true causal parameter,
and outperforms the recent state-of-the-art methods on challenging causal
benchmarks, including settings involving high-dimensional image data.
- Abstract（参考訳）: 本研究では, 後方調整と前方調整の2つの設定の下で, 平均的および非実効的治療効果を推定する。
どちらのケースも、隠れた共同創設者にアクセスすることなく治療効果を回復することが目標だ。
この目的は、まず、関係する共変量(「第一段階」回帰)が与えられた所望の結果変数の条件平均を推定し、次に、この関数の(条件)期待を「第二段階」手順とすることで達成される。
本稿では,第1段階の学習入力特徴に対する回帰関数を直接利用して,これらの条件予測を計算し,サンプリングや密度推定の必要性を回避することを提案する。
すべての機能と特徴(特に第2段階の出力特徴)は、データから順応的に学習されたニューラルネットワークであり、第1段階の最終層は線形であることが唯一の要件である。
提案手法は,実因果パラメータに収束することが示され,高次元画像データを含む課題因果ベンチマークにおいて,最新の最先端手法を上回っている。
関連論文リスト
- A Partial Initialization Strategy to Mitigate the Overfitting Problem in CATE Estimation with Hidden Confounding [44.874826691991565]
観察データから条件平均治療効果(CATE)を推定することは、電子商取引、医療、経済などの分野において重要な役割を果たす。
既存の研究は主に、隠れた共同設立者がいないという強い無知の仮定に依存している。
ランダム化制御試験 (RCT) から収集されたデータは、共起に苦しむことはないが、通常は小さなサンプルサイズによって制限される。
論文 参考訳（メタデータ） (2025-01-15T15:58:16Z) - Optimality and Adaptivity of Deep Neural Features for Instrumental Variable Regression [57.40108516085593]
ディープ・フィーチャー・インスツルメンタル・変数(DFIV)回帰(Deep Feature instrumental variable)は、ディープ・ニューラルネットワークによって学習されたデータ適応的特徴を用いたIV回帰に対する非パラメトリックなアプローチである。
DFIVアルゴリズムは,目的構造関数がベソフ空間にある場合,最小最適学習率を実現する。
論文 参考訳（メタデータ） (2025-01-09T01:22:22Z) - Off-policy estimation with adaptively collected data: the power of online learning [20.023469636707635]
適応的に収集したデータを用いて, 処理効果の線形関数を推定する。
本稿では,オンライン学習を通じて治療効果の一連の推定を生成できる一般還元方式を提案する。
論文 参考訳（メタデータ） (2024-11-19T10:18:27Z) - Trust-Region Sequential Quadratic Programming for Stochastic Optimization with Random Models [57.52124921268249]
本稿では,1次と2次の両方の定常点を見つけるための信頼逐次準計画法を提案する。
本手法は, 1次定常点に収束するため, 対象対象の近似を最小化して定義された各イテレーションの勾配ステップを計算する。
2階定常点に収束するため,本手法は負曲率を減少するヘッセン行列を探索する固有ステップも計算する。
論文 参考訳（メタデータ） (2024-09-24T04:39:47Z) - Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。
我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。
限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
論文 参考訳（メタデータ） (2023-11-30T18:59:44Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Refining Amortized Posterior Approximations using Gradient-Based Summary
Statistics [0.9176056742068814]
逆問題の文脈における後部分布の補正近似を改善するための反復的枠組みを提案する。
そこで我々は,本手法をスタイリング問題に適用して制御条件で検証し,改良された後部近似を各繰り返しで観察する。
論文 参考訳（メタデータ） (2023-05-15T15:47:19Z) - Performative Prediction with Bandit Feedback: Learning through Reparameterization [23.039885534575966]
行動予測は、データの分布自体がモデルの展開に応じて変化する社会予測を研究するためのフレームワークである。
本研究では,実行予測目標をデータ分散関数として再パラメータ化する再パラメータ化を開発する。
論文 参考訳（メタデータ） (2023-05-01T21:31:29Z) - MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。
機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。
本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
論文 参考訳（メタデータ） (2022-10-24T15:14:26Z) - Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose
Estimation [70.32536356351706]
本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。
ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。
本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
論文 参考訳（メタデータ） (2022-03-29T07:14:58Z) - Doubly Robust Semiparametric Difference-in-Differences Estimators with
High-Dimensional Data [15.27393561231633]
不均一な治療効果を推定するための2段半パラメトリック差分差分推定器を提案する。
第1段階では、確率スコアを推定するために、一般的な機械学習手法が使用できる。
第2段階ではパラメトリックパラメータと未知関数の両方の収束率を導出する。
論文 参考訳（メタデータ） (2020-09-07T15:14:29Z)
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。