Fugu-MT 論文翻訳(概要): Integrating Nearest Neighbors with Neural Network Models for Treatment Effect Estimation

論文の概要: Integrating Nearest Neighbors with Neural Network Models for Treatment Effect Estimation

arxiv url: http://arxiv.org/abs/2305.06789v2
Date: Wed, 21 Jun 2023 09:43:40 GMT
ステータス: 処理完了
システム内更新日: 2023-06-22 17:14:53.182315
Title: Integrating Nearest Neighbors with Neural Network Models for Treatment Effect Estimation
Title（参考訳）: 治療効果推定のための近接近傍とニューラルネットワークモデルの統合
Authors: Niki Kiriakidou and Christos Diou
Abstract要約: 治療効果を推定するためのニューラルネットワークベースモデルにおいて,最も有用な近接情報を統合するために,NNCI(Nearest Neighboring Information for Causal Inference)を提案する。 NNCIは、観測データを用いた治療効果推定のために、最も確立されたニューラルネットワークベースのモデルの一部に適用される。
参考スコア（独自算出の注目度）: 3.1372269816123994
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Treatment effect estimation is of high-importance for both researchers and practitioners across many scientific and industrial domains. The abundance of observational data makes them increasingly used by researchers for the estimation of causal effects. However, these data suffer from biases, from several weaknesses, leading to inaccurate causal effect estimations, if not handled properly. Therefore, several machine learning techniques have been proposed, most of them focusing on leveraging the predictive power of neural network models to attain more precise estimation of causal effects. In this work, we propose a new methodology, named Nearest Neighboring Information for Causal Inference (NNCI), for integrating valuable nearest neighboring information on neural network-based models for estimating treatment effects. The proposed NNCI methodology is applied to some of the most well established neural network-based models for treatment effect estimation with the use of observational data. Numerical experiments and analysis provide empirical and statistical evidence that the integration of NNCI with state-of-the-art neural network models leads to considerably improved treatment effect estimations on a variety of well-known challenging benchmarks.
Abstract（参考訳）: 治療効果の推定は、多くの科学・工業分野の研究者と実践者の両方にとって重要である。観測データの豊富さは、研究者によって因果効果の推定にますます使われてきた。しかし、これらのデータはいくつかの弱点からバイアスに悩まされ、適切に扱わなければ不正確な因果効果を推定する。そのため、ニューラルネットワークモデルの予測能力を活用して因果効果をより正確に推定することに注力する機械学習技術が提案されている。そこで本研究では,ニューラルネットワークを用いた治療効果推定モデルにおいて,最も有用な近接情報の統合手法であるNearest Neighboring Information for Causal Inference (NNCI)を提案する。 NNCI法は、観測データを用いた治療効果推定のために、最も確立されたニューラルネットワークベースモデルの一部に適用される。数値実験と解析は、NNCIと最先端のニューラルネットワークモデルとの統合が、様々なよく知られた挑戦的ベンチマークに対する治療効果推定を著しく改善する、経験的および統計的証拠を提供する。

関連論文リスト

Neural Networks with Causal Graph Constraints: A New Approach for Treatment Effects Estimation [0.951494089949975]
因果グラフからの追加情報を考慮した新しいモデルNN-CGCを提案する。本手法は因果グラフの不完全性に対して頑健であり,部分因果情報の使用は無視するよりも望ましいことを示す。
論文参考訳（メタデータ） (2024-04-18T14:57:17Z)
C-XGBoost: A tree boosting model for causal effect estimation [8.246161706153805]
因果効果推定は、平均処理効果と、治療の条件平均処理効果を、利用可能なデータから得られる結果に推定することを目的としている。本稿では,C-XGBoost という新たな因果推論モデルを提案する。
論文参考訳（メタデータ） (2024-03-31T17:43:37Z)
Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation [137.3520153445413]
下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
論文参考訳（メタデータ） (2023-07-11T02:58:10Z)
Towards Learning and Explaining Indirect Causal Effects in Neural Networks [22.658383399117003]
NNを構造因果モデル(Structuor causal model, SCM)とみなし、入力ニューロン間にフィードフォワード接続を導入することで間接因果効果を含むように焦点を絞る。 NNモデルトレーニング中の直接的・間接的・総因果効果を捕捉・維持するアンテホック法を提案する。また,NNモデルにおける学習因果効果の定量化アルゴリズムと,高次元データにおける因果効果の定量化のための効率的な近似手法を提案する。
論文参考訳（メタデータ） (2023-03-24T08:17:31Z)
CausalDialogue: Modeling Utterance-level Causality in Conversations [83.03604651485327]
クラウドソーシングを通じて、CausalDialogueという新しいデータセットをコンパイルし、拡張しました。このデータセットは、有向非巡回グラフ(DAG)構造内に複数の因果効果対を含む。ニューラル会話モデルの訓練における発話レベルにおける因果性の影響を高めるために,Exponential Average Treatment Effect (ExMATE) と呼ばれる因果性強化手法を提案する。
論文参考訳（メタデータ） (2022-12-20T18:31:50Z)
NESTER: An Adaptive Neurosymbolic Method for Causal Effect Estimation [37.361149306896024]
観測データからの因果効果推定は因果推論における中心的な問題である。我々はニューロシンボリック因果効果推定器(NESTER)という適応手法を提案する。我々の総合的な実験結果から、NESTERはベンチマークデータセットの最先端手法よりも優れた性能を示している。
論文参考訳（メタデータ） (2022-11-08T16:48:46Z)
Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文参考訳（メタデータ） (2022-06-16T17:59:05Z)
An improved neural network model for treatment effect estimation [3.1372269816123994]
本稿では,ニューラルネットワークアーキテクチャに基づく潜在的結果と妥当性スコアを予測するための新しいモデルを提案する。数値実験により, 提案モデルでは, 最先端モデルと比較して, 処理効果推定性能が向上していることが示されている。
論文参考訳（メタデータ） (2022-05-23T07:56:06Z)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)
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)
Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-10-25T02:15:24Z)

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。