論文の概要: Continual Causal Effect Estimation: Challenges and Opportunities
- arxiv url: http://arxiv.org/abs/2301.01026v4
- Date: Mon, 10 Apr 2023 06:48:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-11 21:14:14.999595
- Title: Continual Causal Effect Estimation: Challenges and Opportunities
- Title（参考訳）: 継続的な因果効果推定 : 課題と機会
- Authors: Zhixuan Chu and Sheng Li
- Abstract要約: 観測データにおける原因と効果のさらなる理解は多くの領域で重要である。
既存の手法は主にソース固有および静止観測データに焦点を当てている。
ビッグデータの時代,我々は観測データによる因果推論において新たな課題に直面している。
- 参考スコア（独自算出の注目度）: 11.343298687766579
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A further understanding of cause and effect within observational data is
critical across many domains, such as economics, health care, public policy,
web mining, online advertising, and marketing campaigns. Although significant
advances have been made to overcome the challenges in causal effect estimation
with observational data, such as missing counterfactual outcomes and selection
bias between treatment and control groups, the existing methods mainly focus on
source-specific and stationary observational data. Such learning strategies
assume that all observational data are already available during the training
phase and from only one source. This practical concern of accessibility is
ubiquitous in various academic and industrial applications. That's what it
boiled down to: in the era of big data, we face new challenges in causal
inference with observational data, i.e., the extensibility for incrementally
available observational data, the adaptability for extra domain adaptation
problem except for the imbalance between treatment and control groups, and the
accessibility for an enormous amount of data. In this position paper, we
formally define the problem of continual treatment effect estimation, describe
its research challenges, and then present possible solutions to this problem.
Moreover, we will discuss future research directions on this topic.
- Abstract（参考訳）: 観察データにおける原因と効果のさらなる理解は、経済学、医療、公共政策、ウェブマイニング、オンライン広告、マーケティングキャンペーンなど、多くの分野において重要である。
治療群と対照群の選択バイアスの欠如など,観測データによる因果効果推定の課題を克服するために大きな進歩があったが,既存の手法は主にソース固有および定常観測データに焦点を当てている。
このような学習戦略は、すべての観測データは、トレーニングフェーズと1つのソースで既に利用可能であると仮定する。
このアクセシビリティに関する実践的な懸念は、様々な学術的、産業的応用においてユビキタスである。
ビッグデータの時代では、観測データによる因果推論、つまり、漸進的に利用可能な観測データの拡張性、治療と制御グループの不均衡を除く余分なドメイン適応問題への適応性、膨大な量のデータに対するアクセシビリティといった、新たな課題に直面しています。
本稿では, 連続処理効果推定の問題を正式に定義し, その研究課題を解説し, この問題に対する解決策を提示する。
また,今後の研究の方向性についても論じる。
関連論文リスト
- Lazy Data Practices Harm Fairness Research [49.02318458244464]
本稿では,公正な機械学習データセットを包括的に分析し,不反射的手法がアルゴリズム的公正度発見の到達度と信頼性をいかに妨げているかを示す。
本分析では,(1)データと評価における特定の保護属性の表現のテクスブフラック,(2)データ前処理におけるマイノリティの広汎なテキストbf,(3)フェアネス研究の一般化を脅かすテキストbfopaqueデータ処理の3つの分野について検討した。
この研究は、公正なMLにおけるデータプラクティスの批判的な再評価の必要性を強調し、データセットのソーシングと使用の両方を改善するための指針を提供する。
論文 参考訳（メタデータ） (2024-04-26T09:51:24Z) - A Unified Framework of Policy Learning for Contextual Bandit with
Confounding Bias and Missing Observations [108.89353070722497]
本研究では,観測データを用いた最適ポリシの獲得を目的とした,オフラインのコンテキスト的帯域幅問題について検討する。
本稿では、積分方程式系の解として報酬関数を形成するCausal-Adjusted Pessimistic(CAP)ポリシー学習という新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-03-20T15:17:31Z) - Continual Causal Inference with Incremental Observational Data [8.543321506666636]
観測データを用いて因果効果を推定するための連続因果効果表現学習法を提案する。
提案手法は,原データに対する推定能力を損なうことなく,新たなデータの因果効果を連続的に推定する。
論文 参考訳（メタデータ） (2023-03-03T08:33:15Z) - Understanding the Impact of Competing Events on Heterogeneous Treatment
Effect Estimation from Time-to-Event Data [92.51773744318119]
本研究では,競合イベントの存在下での時間-時間データからヘテロジニアス処理効果(HTE)を推定する問題について検討する。
提案手法は,HTEを推定するための結果モデリング手法であり,既存の時間-時間データの予測モデルを,将来的な結果のプラグイン推定手段としてどのように利用できるかを検討する。
HTEの推定に汎用的な機械学習予測モデルを使用する場合、これらの課題がいつどのように機能するかを理論的に分析し、実証的に説明する。
論文 参考訳（メタデータ） (2023-02-23T14:28:55Z) - Causal Effect Estimation: Recent Advances, Challenges, and Opportunities [18.649420489201464]
因果推論は、医療、マーケティング、政治科学、オンライン広告など、多くの分野において多くの実世界の応用がある。
因果推論における基本的な問題である治療効果推定は、数十年にわたって統計学で広く研究されてきた。
論文 参考訳（メタデータ） (2023-02-02T03:25:04Z) - Data-Driven Causal Effect Estimation Based on Graphical Causal
Modelling: A Survey [30.115088044583953]
グラフィカル因果モデルを用いた因果効果推定におけるデータ駆動手法について検討する。
我々は、データ駆動因果効果推定が直面する課題を特定し、議論する。
このレビューは、より多くの研究者がより良いデータ駆動手法を設計する動機になることを期待しています。
論文 参考訳（メタデータ） (2022-08-20T03:25:58Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳（メタデータ） (2022-07-19T16:15:11Z) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T20:13:17Z) - Through the Data Management Lens: Experimental Analysis and Evaluation
of Fair Classification [75.49600684537117]
データ管理研究は、データとアルゴリズムの公平性に関連するトピックに対する存在感と関心が高まっている。
我々は,その正しさ,公平性,効率性,スケーラビリティ,安定性よりも,13の公正な分類アプローチと追加の変種を幅広く分析している。
我々の分析は、異なるメトリクスとハイレベルなアプローチ特性がパフォーマンスの異なる側面に与える影響に関する新しい洞察を強調します。
論文 参考訳（メタデータ） (2021-01-18T22:55:40Z) - Targeted VAE: Variational and Targeted Learning for Causal Inference [39.351088248776435]
観測データによる因果推論は、幅広いタスクで非常に有用である。
観察データを用いた因果推論の実施には,2つの重要な課題がある。
構造化推論とターゲット学習を組み合わせることで、これらの2つの課題に対処する。
論文 参考訳（メタデータ） (2020-09-28T16:55:24Z)
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。