論文の概要: Causal Estimation of Exposure Shifts with Neural Networks

• arxiv url: http://arxiv.org/abs/2302.02560v4
• Date: Sun, 25 Aug 2024 02:46:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-28 01:26:59.191088
• Title: Causal Estimation of Exposure Shifts with Neural Networks
• Title（参考訳）: ニューラルネットワークによる露光シフトの因果推定
• Authors: Mauricio Tec, Kevin Josey, Oladimeji Mudele, Francesca Dominici,
• Abstract要約: 本稿では、ニューラルネットワーク(TRESNET)を用いた露光シフトのための目標正規化を導入し、シフト応答関数(SRF)の推定を行う。 次に,米国国家大気基準(NAAQS)を12$mug/m3$から9$mug/m3$に改定する際の因果効果を推定するために,本手法を適用した。
• 参考スコア（独自算出の注目度）: 2.9248916859490173
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A fundamental task in causal inference is estimating the effect of distribution shift in the treatment variable. We refer to this problem as shift-response function (SRF) estimation. Existing neural network methods for causal inference lack theoretical guarantees and practical implementations for SRF estimation. In this paper, we introduce Targeted Regularization for Exposure Shifts with Neural Networks (TRESNET), a method to estimate SRFs with robustness and efficiency guarantees. Our contributions are twofold. First, we propose a targeted regularization loss for neural networks with theoretical properties that ensure double robustness and asymptotic efficiency specific to SRF estimation. Second, we extend targeted regularization to support loss functions from the exponential family to accommodate non-continuous outcome distributions (e.g., discrete counts). We conduct benchmark experiments demonstrating TRESNET's broad applicability and competitiveness. We then apply our method to a key policy question in public health to estimate the causal effect of revising the US National Ambient Air Quality Standards (NAAQS) for PM 2.5 from 12 ${\mu}g/m^3$ to 9 ${\mu}g/m^3$. This change has been recently proposed by the US Environmental Protection Agency (EPA). Our goal is to estimate the reduction in deaths that would result from this anticipated revision using data consisting of 68 million individuals across the U.S.
• Abstract（参考訳）: 因果推論における基本的な課題は、処理変数の分布シフトの影響を推定することである。 本稿では、この問題をシフト応答関数(SRF)推定と呼ぶ。 因果推論のための既存のニューラルネットワーク手法は、理論的な保証とSRF推定のための実践的な実装を欠いている。 本稿では,ニューラルネットワークを用いた露光シフトのためのターゲット正規化(TRESNET)を提案する。 私たちの貢献は2倍です。 まず、SRF推定に特有の二重ロバスト性および漸近効率を保証する理論特性を持つニューラルネットワークの目標正規化損失を提案する。 第2に、非連続的な結果分布(例えば離散数)に対応するために指数関数からの損失関数をサポートするために、ターゲット正規化を拡張した。 我々は、TRESNETの幅広い適用性と競争性を実証するベンチマーク実験を行う。 次に、我々の手法を公衆衛生における重要な政策問題に適用し、12${\mu}g/m^3$から9${\mu}g/m^3$へのPM 2.5の米国国家大気基準(NAAQS)改正の因果効果を推定する。 この変更は米国環境保護庁(EPA)によって最近提案されている。 私たちの目標は、米国全体で6800万人からなるデータを用いて、この予想される修正の結果生じる死亡数の減少を見積もることです。

関連論文リスト

• Doubly Robust Causal Effect Estimation under Networked Interference via Targeted Learning [24.63284452991301]
  ネットワーク干渉下での2つの頑健な因果効果推定器を提案する。 具体的には,対象とする学習手法をネットワーク干渉設定に一般化する。 我々は、同定された理論条件を目標損失に変換することによって、エンドツーエンドの因果効果推定器を考案する。
  論文  参考訳（メタデータ） (2024-05-06T10:49:51Z)
• TNDDR: Efficient and doubly robust estimation of COVID-19 vaccine effectiveness under the test-negative design [0.46426477564038643]
  テスト陰性設計(TND)は、結果依存サンプリングによる選択バイアスの影響を受けやすい。 我々はTNDDR(TND-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D- D-D-D-D-D-D-D-D-D-D-D-D-D-D-D カナダ・クエベック州の地域在住高齢者(高齢者60ドル以上)の管理データセットに、COVID-19 VEを推定するために適用した。
  論文  参考訳（メタデータ） (2023-10-06T20:40:59Z)
• Understanding, Predicting and Better Resolving Q-Value Divergence in Offline-RL [86.0987896274354]
  まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。 そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。 われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
  論文  参考訳（メタデータ） (2023-10-06T17:57:44Z)
• Neural Importance Sampling for Rapid and Reliable Gravitational-Wave Inference [59.040209568168436]
  まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。 本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。 LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
  論文  参考訳（メタデータ） (2022-10-11T18:00:02Z)
• How Tempering Fixes Data Augmentation in Bayesian Neural Networks [22.188535244056016]
  テンパリングは、拡張のモデリングから生じる誤特定を暗黙的に減らし、すなわちデータとして示す。 温度は有効サンプルサイズの役割を模倣し、増強によって提供される情報の利得を反映している。
  論文  参考訳（メタデータ） (2022-05-27T11:06:56Z)
• Estimating the Uncertainty of Neural Network Forecasts for Influenza Prevalence Using Web Search Activity [3.632189127068905]
  インフルエンザは伝染病であり、パンデミックになる可能性がある。 有病率を予測することは、効果的な対応を計画するための重要な取り組みである。
  論文  参考訳（メタデータ） (2021-05-26T09:45:23Z)
• Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
  ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。 特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。 提案手法は下流タスクに有利な校正不確実性を生成する。
  論文  参考訳（メタデータ） (2020-10-08T02:10:54Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Scaling Equilibrium Propagation to Deep ConvNets by Drastically Reducing its Gradient Estimator Bias [65.13042449121411]
  実際には、EPによって提供される勾配推定によるネットワークのトレーニングは、MNISTよりも難しい視覚タスクにスケールしない。 有限ヌード法に固有のEPの勾配推定のバイアスがこの現象の原因であることを示す。 これらの手法を適用し、非対称な前方および後方接続を持つアーキテクチャをトレーニングし、13.2%のテストエラーを発生させる。
  論文  参考訳（メタデータ） (2020-06-06T09:36:07Z)
• Neural Networks and Value at Risk [59.85784504799224]
  リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。 株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。 はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
  論文  参考訳（メタデータ） (2020-05-04T17:41:59Z)
• The Counterfactual $\chi$-GAN [20.42556178617068]
  因果推論は、しばしば、治療の割り当てが結果から独立していることを要求する反ファクト的枠組みに依存する。 本研究は,CGAN(Counterfactual $chi$-GAN)と呼ばれるGAN(Generative Adversarial Network)に基づくモデルを提案する。
  論文  参考訳（メタデータ） (2020-01-09T17:23:13Z)

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。