論文の概要: Bayesian Counterfactual Mean Embeddings and Off-Policy Evaluation
- arxiv url: http://arxiv.org/abs/2211.01518v1
- Date: Wed, 2 Nov 2022 23:39:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-04 12:33:36.293374
- Title: Bayesian Counterfactual Mean Embeddings and Off-Policy Evaluation
- Title（参考訳）: ベイジアン反事実的平均埋め込みとオフポリシー評価
- Authors: Diego Martinez-Taboada, Dino Sejdinovic
- Abstract要約: 最終治療効果の期待を推定するための3つの新しいベイズ的手法を提案する。
これらの手法は、考慮された不確実性の原因が異なるため、2つのデータソースを組み合わせることが可能である。
我々はこれらの考え方を非政治評価フレームワークに一般化する。
- 参考スコア（独自算出の注目度）: 10.75801980090826
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The counterfactual distribution models the effect of the treatment in the
untreated group. While most of the work focuses on the expected values of the
treatment effect, one may be interested in the whole counterfactual
distribution or other quantities associated to it. Building on the framework of
Bayesian conditional mean embeddings, we propose a Bayesian approach for
modeling the counterfactual distribution, which leads to quantifying the
epistemic uncertainty about the distribution. The framework naturally extends
to the setting where one observes multiple treatment effects (e.g. an
intermediate effect after an interim period, and an ultimate treatment effect
which is of main interest) and allows for additionally modelling uncertainty
about the relationship of these effects. For such goal, we present three novel
Bayesian methods to estimate the expectation of the ultimate treatment effect,
when only noisy samples of the dependence between intermediate and ultimate
effects are provided. These methods differ on the source of uncertainty
considered and allow for combining two sources of data. Moreover, we generalize
these ideas to the off-policy evaluation framework, which can be seen as an
extension of the counterfactual estimation problem. We empirically explore the
calibration of the algorithms in two different experimental settings which
require data fusion, and illustrate the value of considering the uncertainty
stemming from the two sources of data.
- Abstract（参考訳）: 反事実分布は未処理群における治療の効果をモデル化する。
研究の大部分は治療効果の期待値に焦点を当てているが、反事実分布全体やそれに関連する他の量に関心があるかもしれない。
ベイズ条件付き平均埋め込みの枠組みに基づいて,反事実分布をモデル化するベイズ的手法を提案し,その分布に関する認識論的不確かさを定量化する。
この枠組みは、自然に複数の治療効果(例えば、中間期以降の中間効果と、主な関心を持つ究極の処置効果)を観察する設定に拡張され、これらの効果の関係に関する不確実性を付加的にモデル化することができる。
そこで本研究では,中間効果と究極効果の依存性のノイズサンプルのみを提供する場合,最終治療効果の期待値を推定する3つのベイズ法を提案する。
これらの方法は、考慮された不確実性の原因が異なるため、2つのデータソースを組み合わせることができる。
さらに,これらの概念を,反事実推定問題の拡張と見なすことのできるオフ・ポリシー評価フレームワークに一般化する。
データ融合を必要とする2つの異なる実験環境でのアルゴリズムのキャリブレーションを実証的に検討し、2つのデータソースから生じる不確実性を考慮する価値を示す。
関連論文リスト
- A Semiparametric Approach to Causal Inference [2.092897805817524]
因果推論において、重要な問題は介入や治療の効果を定量化することである。
本稿では, 半パラメトリック密度比モデル(DRM)を用いて, 対物分布の特徴付けを行う。
我々のモデルは、対物分布に関する厳密なパラメトリック仮定を避けることで柔軟性を提供する。
論文 参考訳（メタデータ） (2024-11-01T18:03:38Z) - Conformal Diffusion Models for Individual Treatment Effect Estimation and Inference [6.406853903837333]
個々の治療効果は、個々のレベルで最もきめ細かい治療効果を提供する。
本稿では,これらの複雑な課題に対処する共形拡散モデルに基づく新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-08-02T21:35:08Z) - Uncertainty Quantification in Heterogeneous Treatment Effect Estimation
with Gaussian-Process-Based Partially Linear Model [2.1212179660694104]
個人間での不均一な治療効果を推定することは、批判的な意思決定を行うための統計ツールとして注目されている。
比較的小さなサンプルサイズ設定での意思決定を支援するために,治療効果推定の不確かさを定量化するベイズ推論フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-16T12:42:28Z) - Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment
Effect Estimation [137.3520153445413]
下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。
我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。
研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
論文 参考訳（メタデータ） (2023-07-11T02:58:10Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳（メタデータ） (2023-06-09T08:30:51Z) - TCFimt: Temporal Counterfactual Forecasting from Individual Multiple
Treatment Perspective [50.675845725806724]
個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。
TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。
提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
論文 参考訳（メタデータ） (2022-12-17T15:01:05Z) - Neighborhood Adaptive Estimators for Causal Inference under Network
Interference [152.4519491244279]
我々は,古典的非干渉仮説の違反を考える。つまり,ある個人に対する治療が他者の結果に影響を及ぼす可能性がある。
干渉をトラクタブルにするために、干渉がどのように進行するかを記述する既知のネットワークを考える。
このような環境下での処理に対する平均的直接的処理効果の予測について検討した。
論文 参考訳（メタデータ） (2022-12-07T14:53:47Z) - A Bayesian Semiparametric Method For Estimating Causal Quantile Effects [1.1118668841431563]
擬似分布の任意の関数を推測できる半パラメトリックな条件分布回帰モデルを提案する。
共振調整に二重バランススコアを用いることで, 単一スコアのみの調整よりも性能が向上することを示す。
提案手法をノースカロライナ出生体重データセットに適用し,母体喫煙が幼児の出生体重に与える影響を解析した。
論文 参考訳（メタデータ） (2022-11-03T05:15:18Z) - Combining Experimental and Observational Data for Identification of
Long-Term Causal Effects [13.32091725929965]
本研究では、観察領域と実験領域のデータを用いて、治療変数の長期的な結果変数に対する因果効果を推定するタスクについて検討する。
観測データは共起していると考えられており、さらなる仮定なしでは、このデータセットは因果推論にも使用できない。
論文 参考訳（メタデータ） (2022-01-26T04:21:14Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-07T10:14:18Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z)
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。