論文の概要: Partial Identification of Treatment Effects with Implicit Generative Models

• arxiv url: http://arxiv.org/abs/2210.08139v1
• Date: Fri, 14 Oct 2022 22:18:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 20:03:28.794349
• Title: Partial Identification of Treatment Effects with Implicit Generative Models
• Title（参考訳）: 命令生成モデルによる治療効果の部分的同定
• Authors: Vahid Balazadeh, Vasilis Syrgkanis, Rahul G. Krishnan
• Abstract要約: 暗黙的生成モデルを用いた一般的な因果グラフにおける平均治療効果(ATE)の部分的同定法を提案する。 線形構造因果モデルにおいて,我々のアルゴリズムは ATE 上の厳密な境界に収束することを示す。
• 参考スコア（独自算出の注目度）: 20.711877803169134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of partial identification, the estimation of bounds on the treatment effects from observational data. Although studied using discrete treatment variables or in specific causal graphs (e.g., instrumental variables), partial identification has been recently explored using tools from deep generative modeling. We propose a new method for partial identification of average treatment effects(ATEs) in general causal graphs using implicit generative models comprising continuous and discrete random variables. Since ATE with continuous treatment is generally non-regular, we leverage the partial derivatives of response functions to define a regular approximation of ATE, a quantity we call uniform average treatment derivative (UATD). We prove that our algorithm converges to tight bounds on ATE in linear structural causal models (SCMs). For nonlinear SCMs, we empirically show that using UATD leads to tighter and more stable bounds than methods that directly optimize the ATE.
• Abstract（参考訳）: 本稿では,部分的同定の問題,観察データからの治療効果の限界の推定について考察する。 離散処理変数や特定の因果グラフ(例:インストゥルメンタル変数)で研究されているが、近年ではディープジェネレーティブモデリングのツールを使って部分的識別が研究されている。 本研究では,連続確率変数と離散確率変数からなる暗黙的生成モデルを用いて,一般因果グラフにおける平均処理効果(ates)を部分的同定する新しい手法を提案する。 連続処理によるateは一般に非正規性であるため、応答関数の部分微分を利用して、一様平均処理微分 (uniform average treatment derivative, uatd) と呼ばれるateの正則近似を定義する。 このアルゴリズムは線形構造因果モデル(SCM)においてATEの厳密な境界に収束することを示す。 非線形SCMに対して、UATDの使用はATEを直接最適化する手法よりも厳密で安定した境界をもたらすことを実証的に示す。

関連論文リスト

• Selective Inference for Time-Varying Effect Moderation [3.8233569758620063]
  因果効果のモデレーションは、個人が観察した特性に基づいて、結果変数に対する介入(または治療)の効果がどのように変化するかを調べる。 高次元解析は、しばしば解釈可能性に欠け、重要なモデレーターはノイズに隠れている。 時間変化による因果効果のモデレーションを選択的に推定する2段階の手法を提案する。
  論文  参考訳（メタデータ） (2024-11-24T16:37:48Z)
• Conditionally-Conjugate Gaussian Process Factor Analysis for Spike Count Data via Data Augmentation [8.114880112033644]
  近年、GPFAはスパイクカウントデータをモデル化するために拡張されている。 本稿では,解析的および計算的抽出可能な推論が可能な条件共役型ガウス過程因子解析(ccGPFA)を提案する。
  論文  参考訳（メタデータ） (2024-05-19T21:53:36Z)
• Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
  統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。 本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
  論文  参考訳（メタデータ） (2022-08-29T16:16:22Z)
• MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models [78.72682320019737]
  不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。 MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。 各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
  論文  参考訳（メタデータ） (2022-05-27T09:59:46Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Identifiable Energy-based Representations: An Application to Estimating Heterogeneous Causal Effects [83.66276516095665]
  条件付き平均治療効果(CATEs)は、多数の個体にまたがる不均一性について理解することができる。 典型的なCATE学習者は、CATEが識別可能であるために、すべての共起変数が測定されていると仮定する。 本稿では,ノイズコントラッシブ損失関数を用いて,変数の低次元表現を学習するエネルギーベースモデルを提案する。
  論文  参考訳（メタデータ） (2021-08-06T10:39:49Z)
• Graph Intervention Networks for Causal Effect Estimation [30.516184324213874]
  本稿では, グラフ化処理における条件平均処理効果(CATE)の推定に対処する。 本稿では,CATE推定を分割して,より単純な最適化問題に分解するプラグイン推定器を提案する。
  論文  参考訳（メタデータ） (2021-06-03T15:41:00Z)
• 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)
• Estimation of Structural Causal Model via Sparsely Mixing Independent Component Analysis [4.7210697296108926]
  非ガウス雑音を持つ線形DAGモデルの新しい推定法を提案する。 提案手法により,因果順序とパラメータを同時に推定できる。 数値実験により,提案手法は既存手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-09-07T13:08:10Z)
• A Class of Algorithms for General Instrumental Variable Models [29.558215059892206]
  因果治療効果の推定は、様々な現実世界で発生する重要な問題である。 連続分布における因果効果のバウンディング法を提案する。
  論文  参考訳（メタデータ） (2020-06-11T12:32:24Z)

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。