論文の概要: Estimating Treatment Effects using Neurosymbolic Program Synthesis

• arxiv url: http://arxiv.org/abs/2211.04370v1
• Date: Tue, 8 Nov 2022 16:48:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 15:54:09.944922
• Title: Estimating Treatment Effects using Neurosymbolic Program Synthesis
• Title（参考訳）: ニューロシンボリックプログラム合成による治療効果の推定
• Authors: Abbavaram Gowtham Reddy, Vineeth N Balasubramanian
• Abstract要約: 観察データから治療効果を推定することは因果推論における中心的な問題である。 本稿では,データ効率・合成・解釈技術であるニューロシンボリック・プログラムを用いて,治療効果推定問題の解法を提案する。
• 参考スコア（独自算出の注目度）: 25.87088195608893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating treatment effects from observational data is a central problem in causal inference. Methods to solve this problem exploit inductive biases and heuristics from causal inference to design multi-head neural network architectures and regularizers. In this work, we propose to use neurosymbolic program synthesis, a data-efficient, and interpretable technique, to solve the treatment effect estimation problem. We theoretically show that neurosymbolic programming can solve the treatment effect estimation problem. By designing a Domain Specific Language (DSL) for treatment effect estimation problem based on the inductive biases used in literature, we argue that neurosymbolic programming is a better alternative to treatment effect estimation than traditional methods. Our empirical study reveals that our method, which implicitly encodes inductive biases in a DSL, achieves better performance on benchmark datasets than the state-of-the-art methods.
• Abstract（参考訳）: 観察データから治療効果を推定することは因果推論の中心的な問題である。 この問題を解決する方法は、因果推論からの帰納バイアスとヒューリスティックを利用して、マルチヘッドニューラルネットワークアーキテクチャと正規化器を設計する。 本研究では,データ効率,解釈可能な手法であるニューロシンボリックプログラム合成を用いて,治療効果推定問題の解法を提案する。 神経シンボリックプログラミングが治療効果推定問題を解決できることを理論的に示す。 文献における帰納的バイアスに基づく治療効果推定問題に対するドメイン固有言語(DSL)を設計することにより、ニューロシンボリックプログラミングは従来の方法よりも治療効果推定の選択肢として優れていると論じる。 実験により,DSLの帰納バイアスを暗黙的に符号化した本手法は,最先端の手法よりもベンチマークデータセットの性能が向上することがわかった。

関連論文リスト

• Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
  多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。 本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
  論文  参考訳（メタデータ） (2024-11-21T10:37:57Z)
• C-XGBoost: A tree boosting model for causal effect estimation [8.246161706153805]
  因果効果推定は、平均処理効果と、治療の条件平均処理効果を、利用可能なデータから得られる結果に推定することを目的としている。 本稿では,C-XGBoost という新たな因果推論モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-31T17:43:37Z)
• A Neural Framework for Generalized Causal Sensitivity Analysis [78.71545648682705]
  本稿では,因果感受性分析のためのニューラルネットワークフレームワークであるNeuralCSAを提案する。 我々は、NeuralCSAが関心の因果クエリに有効な境界を推測できることを理論的に保証する。
  論文  参考訳（メタデータ） (2023-11-27T17:40:02Z)
• 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)
• Integrating Nearest Neighbors with Neural Network Models for Treatment Effect Estimation [3.1372269816123994]
  治療効果を推定するためのニューラルネットワークベースモデルにおいて,最も有用な近接情報を統合するために,NNCI(Nearest Neighboring Information for Causal Inference)を提案する。 NNCIは、観測データを用いた治療効果推定のために、最も確立されたニューラルネットワークベースのモデルの一部に適用される。
  論文  参考訳（メタデータ） (2023-05-11T13:24:10Z)
• Towards Learning and Explaining Indirect Causal Effects in Neural Networks [22.658383399117003]
  NNを構造因果モデル(Structuor causal model, SCM)とみなし、入力ニューロン間にフィードフォワード接続を導入することで間接因果効果を含むように焦点を絞る。 NNモデルトレーニング中の直接的・間接的・総因果効果を捕捉・維持するアンテホック法を提案する。 また,NNモデルにおける学習因果効果の定量化アルゴリズムと,高次元データにおける因果効果の定量化のための効率的な近似手法を提案する。
  論文  参考訳（メタデータ） (2023-03-24T08:17:31Z)
• CausalDialogue: Modeling Utterance-level Causality in Conversations [83.03604651485327]
  クラウドソーシングを通じて、CausalDialogueという新しいデータセットをコンパイルし、拡張しました。 このデータセットは、有向非巡回グラフ(DAG)構造内に複数の因果効果対を含む。 ニューラル会話モデルの訓練における発話レベルにおける因果性の影響を高めるために,Exponential Average Treatment Effect (ExMATE) と呼ばれる因果性強化手法を提案する。
  論文  参考訳（メタデータ） (2022-12-20T18:31:50Z)
• An evaluation framework for comparing causal inference models [3.1372269816123994]
  提案手法を用いて、いくつかの最先端因果効果推定モデルを比較した。 このアプローチの背後にある主な動機は、少数のインスタンスやシミュレーションがベンチマークプロセスに与える影響を取り除くことである。
  論文  参考訳（メタデータ） (2022-08-31T21:04:20Z)
• Causal Effect Estimation using Variational Information Bottleneck [19.6760527269791]
  因果推論とは、介入が適用されるときの因果関係における因果効果を推定することである。 変分情報ボトルネック(CEVIB)を用いて因果効果を推定する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T13:46:12Z)
• 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)

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。