論文の概要: CausalEGM: a general causal inference framework by encoding generative modeling

• arxiv url: http://arxiv.org/abs/2212.05925v1
• Date: Thu, 8 Dec 2022 20:40:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 15:37:33.245079
• Title: CausalEGM: a general causal inference framework by encoding generative modeling
• Title（参考訳）: causalegm:生成モデリングをエンコードした汎用因果推論フレームワーク
• Authors: Qiao Liu, Zhongren Chen, Wing Hung Wong
• Abstract要約: 生成モデルを用いて因果効果を推定するための一般的なフレームワークであるtextitCausalEGM$を開発する。 非整合性のある潜在的な結果の枠組みの下では、高次元の共創者空間と低次元の潜在空間の間の双方向変換を確立する。 低次元の潜伏特性を条件にすることで、CausalEGMは個体ごとの因果効果や集団内の平均因果効果を推定することができる。
• 参考スコア（独自算出の注目度）: 6.7136914531247065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although understanding and characterizing causal effects have become essential in observational studies, it is challenging when the confounders are high-dimensional. In this article, we develop a general framework $\textit{CausalEGM}$ for estimating causal effects by encoding generative modeling, which can be applied in both binary and continuous treatment settings. Under the potential outcome framework with unconfoundedness, we establish a bidirectional transformation between the high-dimensional confounders space and a low-dimensional latent space where the density is known (e.g., multivariate normal distribution). Through this, CausalEGM simultaneously decouples the dependencies of confounders on both treatment and outcome and maps the confounders to the low-dimensional latent space. By conditioning on the low-dimensional latent features, CausalEGM can estimate the causal effect for each individual or the average causal effect within a population. Our theoretical analysis shows that the excess risk for CausalEGM can be bounded through empirical process theory. Under an assumption on encoder-decoder networks, the consistency of the estimate can be guaranteed. In a series of experiments, CausalEGM demonstrates superior performance over existing methods for both binary and continuous treatments. Specifically, we find CausalEGM to be substantially more powerful than competing methods in the presence of large sample sizes and high dimensional confounders. The software of CausalEGM is freely available at https://github.com/SUwonglab/CausalEGM.
• Abstract（参考訳）: 観察研究において因果効果の理解と特徴付けは不可欠であるが,共同設立者が高次元である場合には困難である。 本稿では,バイナリ処理と連続処理の両方に適用可能な生成的モデリングをエンコードすることで因果効果を推定する汎用フレームワーク $\textit{causalegm}$ を開発した。 非整合性を持つ潜在的な結果の枠組みの下で、高次元の共著者空間と密度が知られている低次元の潜在空間(例えば、多変量正規分布)の間の双方向変換を確立する。 これを通じて、CausalEGMは共同創設者の処置と結果への依存を同時に分離し、共同創設者を低次元の潜在空間にマッピングする。 低次元の潜伏特性を条件にすることで、CausalEGMは個体ごとの因果効果や集団内の平均因果効果を推定することができる。 理論解析の結果,因果関係の過剰なリスクは経験的プロセス理論によって限定できることがわかった。 エンコーダ-デコーダネットワークの仮定では、推定の一貫性を保証することができる。 一連の実験において、CausalEGMはバイナリと連続処理の両方で既存の方法よりも優れた性能を示す。 具体的には、大規模なサンプルサイズと高次元の共同設立者が存在する場合、CausalEGMは競合する手法よりもはるかに強力である。 CausalEGMのソフトウェアはhttps://github.com/SUwonglab/CausalEGMで無料で入手できる。

関連論文リスト

• Causal Diffusion Autoencoders: Toward Counterfactual Generation via Diffusion Probabilistic Models [17.124075103464392]
  拡散モデル(DPM)は高品質の画像生成における最先端技術となっている。 DPMは、解釈可能な意味論や制御可能な意味論を持たない任意の雑音潜在空間を持つ。 本稿では,拡散に基づく因果表現学習フレームワークCausalDiffAEを提案する。
  論文  参考訳（メタデータ） (2024-04-27T00:09:26Z)
• Understanding Likelihood of Normalizing Flow and Image Complexity through the Lens of Out-of-Distribution Detection [5.279257531335347]
  より複雑な画像は潜在空間の高密度領域に集中し、正規化フロー(NF)において高い可能性を与える仮説を提案する。 我々は5つのNFアーキテクチャの有効性を実験的に証明し、その可能性は信頼できないと結論付けた。 画像の複雑さを独立変数として扱うことにより,この問題を緩和できることを示す。
  論文  参考訳（メタデータ） (2024-02-16T06:56:59Z)
• Causality is all you need [63.10680366545293]
  因果グラフルーティング(Causal Graph Routing, CGR)は、データに隠された原因影響力を明らかにするための介入機構を完全に依存した統合因果スキームである。 CGRは、Visual Question AnswerとLong Document Classificationタスクの両方において、最先端のメソッドを超越することができる。
  論文  参考訳（メタデータ） (2023-11-21T02:53:40Z)
• Emerging Synergies in Causality and Deep Generative Models: A Survey [35.62192474181619]
  深部生成モデル (DGM) は複雑なデータ分布を捉えるのに適することが証明されているが、一般化と解釈可能性に欠けることが多い。 因果性は、データ生成を駆動するメカニズムを理解するための構造化レンズを提供し、これらのプロセスに固有の因果効果のダイナミクスを強調する。 我々は、DGMにおける因果原理の統合を解明し、DGMを用いた因果同定を調査し、大規模生成モデルにおける因果関係の新たな研究フロンティアを探索する。
  論文  参考訳（メタデータ） (2023-01-29T04:10:12Z)
• Large-Scale Differentiable Causal Discovery of Factor Graphs [3.8015092217142223]
  本稿では,非線形低ランク因果相互作用モデルへの探索空間の方法として,因子指向非巡回グラフ(f-DAG)の概念を導入する。 本稿では,f-DAG制約因果探索のスケーラブルな実装を提案する。
  論文  参考訳（メタデータ） (2022-06-15T21:28:36Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• 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)
• Understanding the Intrinsic Robustness of Image Distributions using Conditional Generative Models [87.00072607024026]
  本稿では,2つの画像ベンチマークの内在的堅牢性について,$ell$摂動下で検討する。 我々は、我々の理論によって示唆されるロバスト性限界と現在の最先端ロバストモデルによって達成される対角的ロバスト性の間に大きなギャップが存在することを示す。
  論文  参考訳（メタデータ） (2020-03-01T01:45:04Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。