論文の概要: Counterfactual Generative Models for Time-Varying Treatments
- arxiv url: http://arxiv.org/abs/2305.15742v1
- Date: Thu, 25 May 2023 05:45:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 17:14:28.227523
- Title: Counterfactual Generative Models for Time-Varying Treatments
- Title(参考訳): 時変処理のための相反的生成モデル
- Authors: Shenghao Wu, Wenbin Zhou, Minshuo Chen, Shixiang Zhu
- Abstract要約: 平均因果効果の測定は、新しい治療法をテストする一般的な方法である。
対物分布における「マスク」平均効果
本稿では, 対物分布全体を捉える条件付き生成モデリング手法を提案する。
- 参考スコア(独自算出の注目度): 15.337123411743587
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating average causal effects is a common practice to test new
treatments. However, the average effect ''masks'' important individual
characteristics in the counterfactual distribution, which may lead to safety,
fairness, and ethical concerns. This issue is exacerbated in the temporal
setting, where the treatment is sequential and time-varying, leading to an
intricate influence on the counterfactual distribution. In this paper, we
propose a novel conditional generative modeling approach to capture the whole
counterfactual distribution, allowing efficient inference on certain statistics
of the counterfactual distribution. This makes the proposed approach
particularly suitable for healthcare and public policy making. Our generative
modeling approach carefully tackles the distribution mismatch in the observed
data and the targeted counterfactual distribution via a marginal structural
model. Our method outperforms state-of-the-art baselines on both synthetic and
real data.
- Abstract(参考訳): 平均因果効果の推定は、新しい治療法をテストする一般的なプラクティスである。
しかし, 対物分布における「マスク」の平均的影響は, 安全性, 公正性, 倫理的懸念につながる可能性がある。
この問題は、治療が逐次的かつ時間的に進行する時間的設定において悪化し、偽物分布に複雑に影響を及ぼす。
本稿では, 対実分布の特定の統計量に対する効率的な推論を可能にする, 対実分布全体を捕捉する条件付き生成モデルを提案する。
これにより、提案されたアプローチは特に医療や政策立案に適している。
生成的モデリング手法は,観測データにおける分布ミスマッチと,限界構造モデルによる対象の対物分布に慎重に取り組む。
本手法は合成データと実データの両方において最先端のベースラインを上回る。
関連論文リスト
- Bayesian Counterfactual Mean Embeddings and Off-Policy Evaluation [10.75801980090826]
最終治療効果の期待を推定するための3つの新しいベイズ的手法を提案する。
これらの手法は、考慮された不確実性の原因が異なるため、2つのデータソースを組み合わせることが可能である。
我々はこれらの考え方を非政治評価フレームワークに一般化する。
論文 参考訳(メタデータ) (2022-11-02T23:39:36Z) - Certifying Model Accuracy under Distribution Shifts [151.67113334248464]
本稿では,データ分布の有界ワッサースタインシフトの下でのモデルの精度について,証明可能なロバスト性保証を提案する。
変換空間におけるモデルの入力をランダム化する単純な手順は、変換の下での分布シフトに対して確実に堅牢であることを示す。
論文 参考訳(メタデータ) (2022-01-28T22:03:50Z) - Personalized Trajectory Prediction via Distribution Discrimination [78.69458579657189]
トラリミー予測は将来の力学のマルチモーダルな性質を捉えるジレンマと対立する。
本研究では,パーソナライズされた動作パターンを予測するDisDisDis(Disdis)手法を提案する。
本手法は,プラグイン・アンド・プレイモジュールとして既存のマルチモーダル予測モデルと統合することができる。
論文 参考訳(メタデータ) (2021-07-29T17:42:12Z) - Individual Survival Curves with Conditional Normalizing Flows [0.0]
本稿では,高度にフレキシブルで個別化された条件付き生存分布をモデル化する手段として,時間-空間密度の条件正規化フローに基づく推定法を紹介する。
人工的データセットと4つのオープン医療データセットに対する提案手法を実験的に検証し、共通の財政問題の例を示した。
論文 参考訳(メタデータ) (2021-07-27T13:45:12Z) - Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
本稿では、因果的観点からの包括的ミニマックス分析について述べる。
最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。
本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
論文 参考訳(メタデータ) (2021-07-05T09:07:29Z) - Adversarial Robustness through the Lens of Causality [105.51753064807014]
ディープニューラルネットワークの敵対的脆弱性は、機械学習において大きな注目を集めている。
我々は、因果関係を敵対的脆弱性の軽減に組み込むことを提案する。
我々の手法は、敵の脆弱性を緩和するために因果性を利用する最初の試みと見なすことができる。
論文 参考訳(メタデータ) (2021-06-11T06:55:02Z) - Evaluating Model Robustness and Stability to Dataset Shift [7.369475193451259]
機械学習モデルの安定性を解析するためのフレームワークを提案する。
本手法では,アルゴリズムが性能の悪い分布を決定するために,元の評価データを用いる。
我々は,アルゴリズムの性能を"Worst-case"分布で推定する。
論文 参考訳(メタデータ) (2020-10-28T17:35:39Z) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳(メタデータ) (2020-10-15T16:39:26Z) - 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) - Identification Methods With Arbitrary Interventional Distributions as
Inputs [8.185725740857595]
因果推論は、データから反事実パラメータを推定することで、原因と影響の関係を定量化する。
我々は、単一世界干渉グラフと混合グラフに関連付けられたモデルのネスト係数化を用いて、実験データに対する既存の識別理論の非常に単純なビューを提供する。
論文 参考訳(メタデータ) (2020-04-02T17:27:18Z)
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。