論文の概要: Causal Effect Estimation with Variational AutoEncoder and the Front Door Criterion

• arxiv url: http://arxiv.org/abs/2304.11969v1
• Date: Mon, 24 Apr 2023 10:04:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 15:21:14.843659
• Title: Causal Effect Estimation with Variational AutoEncoder and the Front Door Criterion
• Title（参考訳）: 変分オートエンコーダとフロントドア基準による因果効果の推定
• Authors: Ziqi Xu, Debo Cheng, Jiuyong Li, Jixue Liu, Lin Liu, Kui Yu
• Abstract要約: フロントドア基準は、データからフロントドア調整に使用される変数の集合を特定することがしばしば困難である。 表現学習における深層生成モデルの能力を活用して、変分オートエンコーダを用いたフロントドア調整セットの表現を学習するためのFDVAEを提案する。
• 参考スコア（独自算出の注目度）: 23.20371860838245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An essential problem in causal inference is estimating causal effects from observational data. The problem becomes more challenging with the presence of unobserved confounders. When there are unobserved confounders, the commonly used back-door adjustment is not applicable. Although the instrumental variable (IV) methods can deal with unobserved confounders, they all assume that the treatment directly affects the outcome, and there is no mediator between the treatment and the outcome. This paper aims to use the front-door criterion to address the challenging problem with the presence of unobserved confounders and mediators. In practice, it is often difficult to identify the set of variables used for front-door adjustment from data. By leveraging the ability of deep generative models in representation learning, we propose FDVAE to learn the representation of a Front-Door adjustment set with a Variational AutoEncoder, instead of trying to search for a set of variables for front-door adjustment. Extensive experiments on synthetic datasets validate the effectiveness of FDVAE and its superiority over existing methods. The experiments also show that the performance of FDVAE is not sensitive to the causal strength of unobserved confounders and is feasible in the case of dimensionality mismatch between learned representations and the ground truth. We further apply the method to three real-world datasets to demonstrate its potential applications.
• Abstract（参考訳）: 因果推論における重要な問題は、観測データから因果効果を推定することである。 この問題は、監視されていない共同ファウンダーの存在によってより困難になる。 監視されていない共同創設者がいる場合、一般的に使用されるバックドア調整は適用されない。 計器変数(IV)法は、保存されていない共同創設者に対処できるが、治療が結果に直接影響を与え、治療と結果の間に仲介者が存在しないとみなす。 本稿は,未保存の共同設立者と仲介者の存在下での課題に対処するために,フロントドアの基準を用いることを目的とする。 実際には、データから正面調整に使用する変数の集合を特定することはしばしば困難である。 表現学習における深層生成モデルの能力を生かしたFDVAEを提案し,前庭調整のための変数の集合を探索する代わりに,変分オートエンコーダを用いたフロントドア調整セットの表現を学習する。 合成データセットに関する大規模な実験は、FDVAEの有効性と既存の方法よりも優れていることを検証する。 また、fdvaeの性能は、観察されていない共同創設者の因果強度に敏感ではなく、学習表現と基底真理との次元的ミスマッチの場合には実現可能であることを示した。 さらに,本手法を実世界の3つのデータセットに適用し,その可能性を示す。

関連論文リスト

• Double Machine Learning meets Panel Data -- Promises, Pitfalls, and Potential Solutions [0.0]
  機械学習(ML)アルゴリズムを用いた因果効果の推定は、適切なフレームワークで使用すれば、機能的なフォーム仮定を緩和するのに役立ちます。 我々は、観測されていない異種性の存在下で、パネルデータに機械学習(DML)を適用する方法を示す。 また、観測された共同設立者に対する観測されていない異種性の影響が、ほとんどの代替手法の性能に重要な役割を担っていることも示している。
  論文  参考訳（メタデータ） (2024-09-02T13:59:54Z)
• Causal Effect Estimation using identifiable Variational AutoEncoder with Latent Confounders and Post-Treatment Variables [18.34462010115951]
  観測データから因果効果を推定することは、特に潜伏した共同創設者の存在下では困難である。 本稿では,潜在共同創設者と潜在後処理変数の表現を学習するための,新しい変分オートエンコーダ(VAE)と識別可能な変分オートエンコーダ(iVAE)を提案する。
  論文  参考訳（メタデータ） (2024-08-13T22:13:25Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Causal Inference with Conditional Front-Door Adjustment and Identifiable Variational Autoencoder [28.94606676886985]
  フロントドア調整は、観測されていない共役変数を扱うための実践的なアプローチである。 我々はCFD調整の因果効果の識別性を保証する定理を開発する。 データから直接CFD調整変数の表現を学習するためにCFDiVAEを提案する。
  論文  参考訳（メタデータ） (2023-10-03T10:24:44Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
  本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。 IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-07-26T10:40:59Z)
• 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)
• NestedVAE: Isolating Common Factors via Weak Supervision [45.366986365879505]
  我々は、バイアス低減の課題と、ドメイン間で共通する分離要因の関係を同定する。 共通因子を分離するために、潜伏変数モデルの理論と情報ボトルネック理論を組み合わせる。 共有重みを持つ2つの外部VAEは入力を再構成し、潜伏空間を推論し、一方、ネストされたVAEはペア化された画像の潜伏表現から1つの画像の潜伏表現を再構成しようとする。
  論文  参考訳（メタデータ） (2020-02-26T15:49:57Z)
• MissDeepCausal: Causal Inference from Incomplete Data Using Deep Latent Variable Models [14.173184309520453]
  因果推論の最先端の手法は、欠落した値を考慮していない。 欠落したデータは、適応された未確立仮説を必要とする。 欠落した値に適応した変分オートエンコーダを通じて分布を学習する潜在的共同設立者について考察する。
  論文  参考訳（メタデータ） (2020-02-25T12:58:07Z)

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。