論文の概要: Continual Causal Inference with Incremental Observational Data
- arxiv url: http://arxiv.org/abs/2303.01775v1
- Date: Fri, 3 Mar 2023 08:33:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-06 15:53:20.190868
- Title: Continual Causal Inference with Incremental Observational Data
- Title（参考訳）: インクリメンタル観測データを用いた連続因果推論
- Authors: Zhixuan Chu, Ruopeng Li, Stephen Rathbun, Sheng Li
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.543321506666636
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The era of big data has witnessed an increasing availability of observational
data from mobile and social networking, online advertising, web mining,
healthcare, education, public policy, marketing campaigns, and so on, which
facilitates the development of causal effect estimation. Although significant
advances have been made to overcome the challenges in the academic area, such
as missing counterfactual outcomes and selection bias, they only focus on
source-specific and stationary observational data, which is unrealistic in most
industrial applications. In this paper, we investigate a new industrial problem
of causal effect estimation from incrementally available observational data and
present three new evaluation criteria accordingly, including extensibility,
adaptability, and accessibility. We propose a Continual Causal Effect
Representation Learning method for estimating causal effects with observational
data, which are incrementally available from non-stationary data distributions.
Instead of having access to all seen observational data, our method only stores
a limited subset of feature representations learned from previous data.
Combining selective and balanced representation learning, feature
representation distillation, and feature transformation, our method achieves
the continual causal effect estimation for new data without compromising the
estimation capability for original data. Extensive experiments demonstrate the
significance of continual causal effect estimation and the effectiveness of our
method.
- Abstract（参考訳）: ビッグデータの時代は、モバイルやソーシャルネットワーク、オンライン広告、ウェブマイニング、医療、教育、公共政策、マーケティングキャンペーンなどの観察データの利用が増加し、因果効果推定の開発が促進されている。
反現実的な結果の欠如や選択バイアスなど、学術分野における課題を克服するための大きな進歩があったが、ほとんどの産業アプリケーションでは非現実的なソース固有および定常的な観測データのみに焦点を当てている。
本稿では, インクリメンタルに利用可能な観測データから因果効果を推定する新たな産業問題を調査し, 拡張性, 適応性, アクセシビリティの3つの評価基準を提案する。
非定常データ分布から漸進的に利用できる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。
全ての観測データにアクセスする代わりに、我々の手法は以前のデータから得られた特徴表現の限られたサブセットのみを格納する。
選択・平衡表現学習,特徴表現蒸留,特徴変換を組み合わせることで,原データの推定能力を損なうことなく,新たなデータに対する継続的な因果効果推定を実現する。
拡張実験は連続因果効果推定の重要性と本手法の有効性を示す。
関連論文リスト
- Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。
本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
論文 参考訳（メタデータ） (2024-08-24T18:28:19Z) - On Counterfactual Data Augmentation Under Confounding [30.76982059341284]
トレーニングデータのバイアスを緩和する手段として、対実データ拡張が出現している。
これらのバイアスは、データ生成プロセスにおいて観測され、観測されていない様々な共役変数によって生じる。
提案手法は,既存の最先端手法が優れた結果を得るのにどのように役立つかを示す。
論文 参考訳（メタデータ） (2023-05-29T16:20:23Z) - Continual Causal Effect Estimation: Challenges and Opportunities [11.343298687766579]
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。
論文 参考訳（メタデータ） (2023-01-03T09:57:50Z) - Striving for data-model efficiency: Identifying data externalities on
group performance [75.17591306911015]
信頼できる、効果的で責任ある機械学習システムの構築は、トレーニングデータとモデリング決定の違いが、予測パフォーマンスにどのように影響するかを理解することに集中する。
我々は、特定のタイプのデータモデル非効率性に注目し、一部のソースからトレーニングデータを追加することで、集団の重要なサブグループで評価されるパフォーマンスを実際に低下させることができる。
以上の結果から,データ効率が正確かつ信頼性の高い機械学習の鍵となることが示唆された。
論文 参考訳（メタデータ） (2022-11-11T16:48:27Z) - Systematic Evaluation of Predictive Fairness [60.0947291284978]
バイアス付きデータセットのトレーニングにおけるバイアスの緩和は、重要なオープンな問題である。
複数のタスクにまたがる様々なデバイアス化手法の性能について検討する。
データ条件が相対モデルの性能に強い影響を与えることがわかった。
論文 参考訳（メタデータ） (2022-10-17T05:40:13Z) - 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) - Cycle-Balanced Representation Learning For Counterfactual Inference [42.229586802733806]
本稿では,Cycle-Balanced Representation Learning for counterfactual Inference (CBRE) に基づく新しいフレームワークを提案する。
具体的には,異なるグループに対して,逆行訓練を用いて頑健なバランスの取れた表現を実現し,一方,元データ特性を循環的に保存する情報ループを構築する。
実世界の3つのデータセットの結果は、CBREが最先端の手法にマッチ/アウトパフォーマンスを示し、反現実的推論に適用できる大きな可能性を持っている。
論文 参考訳（メタデータ） (2021-10-29T01:15:16Z) - Federated Estimation of Causal Effects from Observational Data [19.657789891394504]
フェデレートされたデータソースを用いた因果推論のための新しいフレームワークを提案する。
我々は、異なるプライベートデータソースからの局所因果効果を中央集権化せずに評価し、統合する。
論文 参考訳（メタデータ） (2021-05-31T08:06:00Z) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-09-30T05:29:01Z) - Provably Efficient Causal Reinforcement Learning with Confounded
Observational Data [135.64775986546505]
オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。
提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-22T14:49:33Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z)
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。