論文の概要: Causal Inference with Conditional Instruments using Deep Generative
Models
- arxiv url: http://arxiv.org/abs/2211.16246v1
- Date: Tue, 29 Nov 2022 14:31:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 15:38:02.261991
- Title: Causal Inference with Conditional Instruments using Deep Generative
Models
- Title(参考訳): 深部生成モデルを用いた条件器による因果推論
- Authors: Debo Cheng, Ziqi Xu, Jiuyong Li, Lin Liu, Jixue Liu and Thuc Duy Le
- Abstract要約: 標準IVは、処理変数と関係があり、システム内の他のすべての変数とは独立していると期待されている。
変数を変数の集合に条件付けするための条件付きIV(CIV)法が提案されている。
平均因果効果推定のために,CIVの表現とその条件セットを,潜伏した共同設立者とのデータから学習することを提案する。
- 参考スコア(独自算出の注目度): 21.771832598942677
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The instrumental variable (IV) approach is a widely used way to estimate the
causal effects of a treatment on an outcome of interest from observational data
with latent confounders. A standard IV is expected to be related to the
treatment variable and independent of all other variables in the system.
However, it is challenging to search for a standard IV from data directly due
to the strict conditions. The conditional IV (CIV) method has been proposed to
allow a variable to be an instrument conditioning on a set of variables,
allowing a wider choice of possible IVs and enabling broader practical
applications of the IV approach. Nevertheless, there is not a data-driven
method to discover a CIV and its conditioning set directly from data. To fill
this gap, in this paper, we propose to learn the representations of the
information of a CIV and its conditioning set from data with latent confounders
for average causal effect estimation. By taking advantage of deep generative
models, we develop a novel data-driven approach for simultaneously learning the
representation of a CIV from measured variables and generating the
representation of its conditioning set given measured variables. Extensive
experiments on synthetic and real-world datasets show that our method
outperforms the existing IV methods.
- Abstract(参考訳): インストゥルメンタル変数(IV)アプローチは、潜伏した共同設立者との観察データから興味の結果に対する治療の因果効果を推定するために広く用いられている方法である。
標準ivは処理変数と関連しており、システム内の他の全ての変数とは独立である。
しかし、厳密な条件のため、データから直接標準IVを検索することは困難である。
conditional iv (civ) 法は、変数を変数の集合上の計器コンディショニングとすることを可能にし、可能な ivs をより広く選択し、iv アプローチのより広い実用的応用を可能にするために提案されている。
それでも、データからCIVとその条件セットを直接発見するためのデータ駆動手法は存在しない。
このギャップを埋めるために,本論文では,CIVの情報と条件セットの表現を,潜伏した共同設立者とのデータから学習し,平均因果効果を推定する。
深層生成モデルを利用して,測定変数からCIVの表現を同時に学習し,与えられた条件セットの表現を生成する新しいデータ駆動型手法を開発した。
合成および実世界のデータセットに対する大規模な実験により,本手法は既存のIV法よりも優れた性能を示した。
関連論文リスト
- Data-driven Conditional Instrumental Variables for Debiasing Recommender Systems [25.632817469744325]
レコメンデーションシステムでは、潜伏変数はユーザとイテムのインタラクションデータを真のユーザの好みから逸脱させる可能性がある。
我々は、CIV4Rec.4Recと呼ばれるレコメンダシステムのための新しいデータ駆動型条件付きIV(CIV)デバイアス法を提案する。
論文 参考訳(メタデータ) (2024-08-19T02:17:22Z) - Estimating Heterogeneous Treatment Effects by Combining Weak Instruments and Observational Data [44.31792000298105]
病状平均治療効果(CATE)の正確な予測は、パーソナライズされた医療とデジタルプラットフォーム分析において重要である。
我々は,信頼性の高いCATE推定を実現するために,IVと観測データを組み合わせた新しい手法を開発した。
論文 参考訳(メタデータ) (2024-06-10T16:40:55Z) - Meta-Learners for Partially-Identified Treatment Effects Across Multiple Environments [67.80453452949303]
観察データから条件平均治療効果(CATE)を推定することは、パーソナライズされた医療など多くの応用に関係している。
ここでは、観測データが複数の環境からやってくる広範囲な環境に焦点を当てる。
任意の機械学習モデルと組み合わせて使用可能な境界を推定するために、異なるモデルに依存しない学習者(いわゆるメタ学習者)を提案する。
論文 参考訳(メタデータ) (2024-06-04T16:31:43Z) - Geometry-Aware Instrumental Variable Regression [56.16884466478886]
本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。
本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
論文 参考訳(メタデータ) (2024-05-19T17:49:33Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳(メタデータ) (2024-04-11T09:23:36Z) - Regularized DeepIV with Model Selection [72.17508967124081]
正規化DeepIV(RDIV)回帰は最小ノルムIV解に収束することができる。
我々の手法は現在の最先端の収束率と一致している。
論文 参考訳(メタデータ) (2024-03-07T05:38:56Z) - Learning Conditional Instrumental Variable Representation for Causal
Effect Estimation [20.546911588972737]
因果効果推定のための条件セットとCIVの表現を学習・拡張するための新しい手法DVAE.CIVを提案する。
論文 参考訳(メタデータ) (2023-06-21T02:27:15Z) - Instrumental Variables in Causal Inference and Machine Learning: A
Survey [26.678154268037595]
因果推論(英: Causal inference)とは、データに基づく変数間の因果関係に関する結論を引き出すために仮定を用いる過程である。
因果推論と機械学習の両分野における増大する文献は、計測変数(IV)の使用を提案する
本論文は、因果推論と機械学習の両方において、IV法とその応用を体系的かつ包括的に導入し、議論する最初の試みである。
論文 参考訳(メタデータ) (2022-12-12T08:59:04Z) - Discovering Ancestral Instrumental Variables for Causal Inference from
Observational Data [0.0]
測定変数(IV)は、観察データから興味の結果に対する治療の因果効果を推定するための強力なアプローチである。
既存のIV法は、IVが選択され、ドメイン知識で正当化されることを要求する。
本稿では,データから有効なIVを発見するためのデータ駆動アルゴリズムについて,軽度な仮定で検討・設計する。
論文 参考訳(メタデータ) (2022-06-04T07:48:13Z) - Ancestral Instrument Method for Causal Inference without Complete
Knowledge [0.0]
観測データから因果効果を推定する主な障害は、観測不能な共起である。
条件IVは、観測変数の集合を条件付けすることで標準IVの要求を緩和するために提案されている。
本研究では,祖先IVと観測データを用いた因果効果推定アルゴリズムを開発した。
論文 参考訳(メタデータ) (2022-01-11T07:02:16Z) - Instrumental Variable Value Iteration for Causal Offline Reinforcement Learning [107.70165026669308]
オフライン強化学習(RL)では、事前収集された観測データのみから最適なポリシーが学習される。
遷移力学が加法的非線形汎関数形式を持つようなマルコフ決定過程について検討する。
そこで本稿では,条件付きモーメント制限の原始的2次元再構成に基づく,証明可能なIVVIアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-19T13:01:40Z)
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。