論文の概要: Counterfactual Learning with Multioutput Deep Kernels

• arxiv url: http://arxiv.org/abs/2211.11119v1
• Date: Sun, 20 Nov 2022 23:28:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 18:37:43.695589
• Title: Counterfactual Learning with Multioutput Deep Kernels
• Title（参考訳）: 多出力深層カーネルによる対物学習
• Authors: Alberto Caron, Gianluca Baio, Ioanna Manolopoulou
• Abstract要約: 本稿では,観測データを用いた反実的推論の課題に対処する。 本稿では、因果効果を推定し、適切にポリシーを学習する、対実的マルチタスクディープカーネルモデルの一般的なクラスを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we address the challenge of performing counterfactual inference with observational data via Bayesian nonparametric regression adjustment, with a focus on high-dimensional settings featuring multiple actions and multiple correlated outcomes. We present a general class of counterfactual multi-task deep kernels models that estimate causal effects and learn policies proficiently thanks to their sample efficiency gains, while scaling well with high dimensions. In the first part of the work, we rely on Structural Causal Models (SCM) to formally introduce the setup and the problem of identifying counterfactual quantities under observed confounding. We then discuss the benefits of tackling the task of causal effects estimation via stacked coregionalized Gaussian Processes and Deep Kernels. Finally, we demonstrate the use of the proposed methods on simulated experiments that span individual causal effects estimation, off-policy evaluation and optimization.
• Abstract（参考訳）: 本稿では,ベイジアン非パラメトリック回帰調整による観測データによる反実的推論の課題に対処し,複数の動作と複数の相関結果を含む高次元設定に着目した。 本稿では,そのサンプル効率向上を活かして因果効果を推定し,方針を熟達し,高次元にスケールする反事実的多タスク深層カーネルモデルの一般クラスを提案する。 本研究の第1部では, 構造因果モデル(Structure Causal Models, SCM, SCM)を用いて, 観測されたコンバウンディングの下での反事実量同定のセットアップと課題を正式に導入する。 次に,重ね合わせ同領域化ガウス過程と深核による因果効果推定の課題に取り組むことの利点について論じる。 最後に, 個別因果効果推定, オフ・ポリティクス評価, 最適化を対象とするシミュレーション実験に提案手法を適用した。

関連論文リスト

• Estimation and Inference for Causal Functions with Multiway Clustered Data [6.988496457312806]
  本稿では,一般的な因果関数のクラスに対する推定法と一様推論法を提案する。 因果関数は、調整された(Neyman-orthogonal)信号の条件付き期待値として同定される。 提案手法をアフリカにおける水準と歴史的奴隷貿易の因果関係の分析に適用する。
  論文  参考訳（メタデータ） (2024-09-10T17:17:53Z)
• Denoising Pre-Training and Customized Prompt Learning for Efficient Multi-Behavior Sequential Recommendation [69.60321475454843]
  マルチビヘイビアシークエンシャルレコメンデーションに適した,最初の事前学習および迅速な学習パラダイムであるDPCPLを提案する。 事前学習段階において,複数の時間スケールでノイズを除去する新しい行動マイナ (EBM) を提案する。 次に,提案するCustomized Prompt Learning (CPL)モジュールを用いて,事前学習したモデルを高効率にチューニングすることを提案する。
  論文  参考訳（メタデータ） (2024-08-21T06:48:38Z)
• Bayesian Off-Policy Evaluation and Learning for Large Action Spaces [14.203316003782604]
  対話型システムでは、アクションはよく相関し、よりサンプリング効率の良いオフ・ポリシーの評価と学習の機会を提供する。 我々は、これらの相関関係を構造化および情報的事前を通じて捉えるために、統一されたベイズ的枠組みを導入する。 我々は,OPEとOPLの一般ベイズ的アプローチであるsDMを提案する。
  論文  参考訳（メタデータ） (2024-02-22T16:09:45Z)
• ACE : Off-Policy Actor-Critic with Causality-Aware Entropy Regularization [52.5587113539404]
  因果関係を考慮したエントロピー(entropy)という用語を導入し,効率的な探索を行うための潜在的影響の高いアクションを効果的に識別し,優先順位付けする。 提案アルゴリズムであるACE:Off-policy Actor-critic with Causality-aware Entropy regularizationは,29種類の連続制御タスクに対して,大幅な性能上の優位性を示す。
  論文  参考訳（メタデータ） (2024-02-22T13:22:06Z)
• 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)
• Estimating Causal Effects using a Multi-task Deep Ensemble [4.268861137988059]
  Causal Multi-task Deep Ensemble (CMDE)は、研究人口から共有情報とグループ固有の情報の両方を学ぶ新しいフレームワークである。 提案手法は各種のデータセットやタスクにまたがって評価され,CMDEはこれらのタスクの大部分において最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-01-26T19:05:18Z)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)
• Multi-Stage Influence Function [97.19210942277354]
  我々は、事前学習データまで遡って、微調整されたモデルから予測を追跡するための多段階影響関数スコアを開発する。 本研究は,2つのシナリオについて検討し,事前訓練した埋め込みを微調整タスクで固定または更新する。
  論文  参考訳（メタデータ） (2020-07-17T16:03:11Z)
• Influence Functions in Deep Learning Are Fragile [52.31375893260445]
  影響関数は、テスト時間予測におけるサンプルの効果を近似する。 影響評価は浅いネットワークでは かなり正確です ヘッセン正則化は、高品質な影響推定を得るために重要である。
  論文  参考訳（メタデータ） (2020-06-25T18:25:59Z)
• Consistency of Empirical Bayes And Kernel Flow For Hierarchical Parameter Estimation [18.852474191260445]
  本稿では,階層的パラメータを学習する2つのパラダイムについて考察する。 一つは確率ベイズ的視点、特に経験的ベイズ的アプローチからである。 もう1つは、決定論的および近似論的視点、特にカーネルフローアルゴリズムからのものである。
  論文  参考訳（メタデータ） (2020-05-22T20:17:48Z)
• Nonparametric inference for interventional effects with multiple mediators [0.0]
  より柔軟で、おそらく機械学習に基づく推定技術を可能にする理論を提供する。 提案した推定器の複数のロバスト性特性を示す。 本研究は, 介入媒介効果の推定において, 最新の統計的学習手法を活用する手段を提供する。
  論文  参考訳（メタデータ） (2020-01-16T19:05:00Z)

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。