論文の概要: Instrumental Variables in Causal Inference and Machine Learning: A Survey

• arxiv url: http://arxiv.org/abs/2212.05778v1
• Date: Mon, 12 Dec 2022 08:59:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 15:54:45.973407
• Title: Instrumental Variables in Causal Inference and Machine Learning: A Survey
• Title（参考訳）: 因果推論と機械学習におけるインストゥルメンタル変数--調査
• Authors: Anpeng Wu, Kun Kuang, Ruoxuan Xiong, Fei Wu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 26.678154268037595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal inference is the process of using assumptions, study designs, and estimation strategies to draw conclusions about the causal relationships between variables based on data. This allows researchers to better understand the underlying mechanisms at work in complex systems and make more informed decisions. In many settings, we may not fully observe all the confounders that affect both the treatment and outcome variables, complicating the estimation of causal effects. To address this problem, a growing literature in both causal inference and machine learning proposes to use Instrumental Variables (IV). This paper serves as the first effort to systematically and comprehensively introduce and discuss the IV methods and their applications in both causal inference and machine learning. First, we provide the formal definition of IVs and discuss the identification problem of IV regression methods under different assumptions. Second, we categorize the existing work on IV methods into three streams according to the focus on the proposed methods, including two-stage least squares with IVs, control function with IVs, and evaluation of IVs. For each stream, we present both the classical causal inference methods, and recent developments in the machine learning literature. Then, we introduce a variety of applications of IV methods in real-world scenarios and provide a summary of the available datasets and algorithms. Finally, we summarize the literature, discuss the open problems and suggest promising future research directions for IV methods and their applications. We also develop a toolkit of IVs methods reviewed in this survey at https://github.com/causal-machine-learning-lab/mliv.
• Abstract（参考訳）: 因果推論は、データに基づく変数間の因果関係に関する結論を導き出すために、仮定、研究設計、見積もり戦略を使用するプロセスである。 これにより、複雑なシステムで作業しているメカニズムをよりよく理解し、より情報的な決定を下すことができる。 多くの環境では、治療と結果変数の両方に影響を及ぼすすべての共同創設者を十分に観察することはできません。 この問題に対処するために、因果推論と機械学習の両方における文献の増加は、インストゥルメンタル変数(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。 まず、IV の形式的定義を提案し、異なる仮定の下での IV 回帰法の同定問題について議論する。 第2に,提案手法に焦点をあてて,既存のIV手法を3つのストリームに分類し,IVを用いた最小二乗法,IVを用いた制御機能,IVの評価を行った。 各ストリームに対して、古典的な因果推論手法と、機械学習文学における最近の発展について述べる。 次に,実世界のシナリオにおけるIV手法の様々な応用を紹介し,利用可能なデータセットとアルゴリズムの要約を提供する。 最後に,本論文を要約し,オープンな問題について議論し,将来的なIV法研究の方向性を提案する。 また、この調査でレビューされたIVsメソッドのツールキットをhttps://github.com/causal-machine-learning-lab/mlivで開発する。

関連論文リスト

• Mining Causality: AI-Assisted Search for Instrumental Variables [0.0]
  本稿では,大規模言語モデルを用いて物語や反実的推論を通じて新たなIVを探索する。 我々は、多段階・ロールプレイング戦略が、経済エージェントの内在的意思決定プロセスに有効であると主張している。
  論文  参考訳（メタデータ） (2024-09-21T17:19:29Z)
• 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)
• SoK: Privacy-Preserving Data Synthesis [72.92263073534899]
  本稿では,プライバシ保護データ合成(PPDS)に注目し,その分野の総合的な概要,分析,議論を行う。 PPDSでは,統計的手法と深層学習(DL)に基づく手法の2つの顕著な研究を統一するマスターレシピを作成した。
  論文  参考訳（メタデータ） (2023-07-05T08:29:31Z)
• Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
  本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。 提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,CheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-05-20T03:12:23Z)
• Causal Inference with Conditional Instruments using Deep Generative Models [21.771832598942677]
  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。
  論文  参考訳（メタデータ） (2022-11-29T14:31:54Z)
• 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)
• Auto IV: Counterfactual Prediction via Automatic Instrumental Variable Decomposition [21.90157954233519]
  計器変数(IV)は、観測されていない共同設立者と因果推論において重要な役割を果たす。 既存のIVベースの対実予測法では、適切に定義されたIVが必要である。 観測変数からIVの役割を果たす表現を自動的に生成する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-07-13T07:30:21Z)
• Individual Explanations in Machine Learning Models: A Case Study on Poverty Estimation [63.18666008322476]
  機械学習の手法は、敏感な社会的文脈でますます適用されつつある。 本研究の主な目的は2つある。 まず、これらの課題を公開し、関連性のある新しい説明方法の使用にどのように影響するか。 次に、関連するアプリケーションドメインで説明メソッドを実装する際に直面するような課題を軽減する一連の戦略を提示します。
  論文  参考訳（メタデータ） (2021-04-09T01:54:58Z)
• 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)
• A Survey on Causal Inference [64.45536158710014]
  因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。 観測データに対する様々な因果効果推定法が誕生した。
  論文  参考訳（メタデータ） (2020-02-05T21:35:29Z)

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。