論文の概要: Estimating Treatment Effects from Irregular Time Series Observations
with Hidden Confounders
- arxiv url: http://arxiv.org/abs/2303.02320v1
- Date: Sat, 4 Mar 2023 04:55:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 20:23:45.242185
- Title: Estimating Treatment Effects from Irregular Time Series Observations
with Hidden Confounders
- Title(参考訳): 隠れた共同ファウンダーによる不規則時系列観測による治療効果の推定
- Authors: Defu Cao, James Enouen, Yujing Wang, Xiangchen Song, Chuizheng Meng,
Hao Niu, Yan Liu
- Abstract要約: 実世界の時系列には、大規模で不規則で断続的な時系列観測が含まれる。
隠れた共同創設者の存在は 偏見のある治療推定につながる
不規則なサンプルによる連続的な時間設定では、因果関係のダイナミクスを直接扱うことは困難である。
- 参考スコア(独自算出の注目度): 15.41689729746877
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal analysis for time series data, in particular estimating individualized
treatment effect (ITE), is a key task in many real-world applications, such as
finance, retail, healthcare, etc. Real-world time series can include
large-scale, irregular, and intermittent time series observations, raising
significant challenges to existing work attempting to estimate treatment
effects. Specifically, the existence of hidden confounders can lead to biased
treatment estimates and complicate the causal inference process. In particular,
anomaly hidden confounders which exceed the typical range can lead to high
variance estimates. Moreover, in continuous time settings with irregular
samples, it is challenging to directly handle the dynamics of causality. In
this paper, we leverage recent advances in Lipschitz regularization and neural
controlled differential equations (CDE) to develop an effective and scalable
solution, namely LipCDE, to address the above challenges. LipCDE can directly
model the dynamic causal relationships between historical data and outcomes
with irregular samples by considering the boundary of hidden confounders given
by Lipschitz-constrained neural networks. Furthermore, we conduct extensive
experiments on both synthetic and real-world datasets to demonstrate the
effectiveness and scalability of LipCDE.
- Abstract(参考訳): 時系列データの因果分析、特に個別化された治療効果(ite)の推定は、金融、小売、医療など、現実世界の多くのアプリケーションにおいて重要なタスクである。
実世界の時系列には、大規模で不規則で断続的な時系列観察が含まれ、治療効果を推定しようとする既存の作業に重大な課題を提起する。
特に、隠れた共同創設者の存在は、偏りのある治療推定につながり、因果的推論プロセスを複雑化する可能性がある。
特に、典型的な範囲を超える異常な隠れた共同設立者は、高い分散推定につながる可能性がある。
さらに、不規則なサンプルを含む連続時間設定では、因果性のダイナミクスを直接扱うことが困難である。
本稿では,リプシッツ正則化とニューラル制御微分方程式(cde)の最近の進歩を活かし,この課題を解決するための効率的かつスケーラブルな解法lipcdeを開発した。
lipcdeは、リプシッツ制約付きニューラルネットワークによって与えられる隠れた共同創設者の境界を考慮して、履歴データと不規則なサンプルによる結果との動的因果関係を直接モデル化することができる。
さらに,lipcdeの有効性と拡張性を示すために,合成データと実世界のデータセットの両方について広範な実験を行った。
関連論文リスト
- Data Attribution for Diffusion Models: Timestep-induced Bias in
Influence Estimation [58.20016784231991]
拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。
本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。
そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
論文 参考訳(メタデータ) (2024-01-17T07:58:18Z) - COSTAR: Improved Temporal Counterfactual Estimation with Self-Supervised
Learning [35.119957381211236]
我々は,歴史表現を改善するために自己教師付き学習を統合する新しいアプローチであるCOSTAR(Counterfactual Self-Supervised Transformer)を紹介する。
COSTARは、既存のモデルと比較して、推定精度と分布外データへの一般化において優れた性能が得られる。
論文 参考訳(メタデータ) (2023-11-01T22:38:14Z) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳(メタデータ) (2023-07-17T11:04:27Z) - Estimating Treatment Effects in Continuous Time with Hidden Confounders [8.292249583600809]
隠れた共同創設者の存在下での縦断的な治療効果の推定は、依然として極めて難しい問題である。
制御微分方程式とリプシッツ拘束畳み込み演算を用いた潜在因子モデル構築のためのニューラル微分方程式の最近の進歩
合成データセットと実世界のデータセットの両方の実験は、隠れた共同創設者の存在下での治療効果を推定するための連続的な時間的手法の可能性を強調している。
論文 参考訳(メタデータ) (2023-02-19T00:28:20Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳(メタデータ) (2022-06-16T17:15:15Z) - 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) - Deep Bayesian Estimation for Dynamic Treatment Regimes with a Long
Follow-up Time [28.11470886127216]
動的治療体制(DTR)の因果効果推定は、シーケンシャルな意思決定に寄与する。
結果回帰モデルと高次元特徴に対する治療モデルを組み合わせる。
また、開発されたディープベイズモデルでは、不確実性をモデル化し、自動運転車や医療設計など、安全に配慮したアプリケーションに不可欠な予測分散を出力することができる。
論文 参考訳(メタデータ) (2021-09-20T13:21:39Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-08T14:29:07Z) - CDSM -- Casual Inference using Deep Bayesian Dynamic Survival Models [3.9169188005935927]
我々はベイジアン・リカレント・サブネットワークを用いた潜在的結果フレームワークを用いて生存曲線の差を推定する因果的動的生存モデル(CDSM)を開発した。
シミュレーションされたサバイバルデータセットを使用して、CDSMはサンプル寸法、イベントレート、結束および重複のシナリオにわたる良好な因果効果推定性能を示した。
論文 参考訳(メタデータ) (2021-01-26T09:15:49Z) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳(メタデータ) (2020-10-28T15:05:08Z)
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。