論文の概要: Advancing Counterfactual Inference through Quantile Regression

• arxiv url: http://arxiv.org/abs/2306.05751v2
• Date: Mon, 30 Oct 2023 03:25:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-02 02:03:56.382043
• Title: Advancing Counterfactual Inference through Quantile Regression
• Title（参考訳）: 量的回帰による反事実推論の進展
• Authors: Shaoan Xie, Biwei Huang, Bin Gu, Tongliang Liu, Kun Zhang
• Abstract要約: 本稿では,(学習した)定性的因果構造と観測データに基づいて,信頼性の高い反ファクト推論を実現することを目的とする。 我々は、ディープニューラルネットワークで実装された拡張量子回帰問題として、カウンターファクト推論を再検討する。
• 参考スコア（独自算出の注目度）: 77.28323341329461
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The capacity to address counterfactual "what if" inquiries is crucial for understanding and making use of causal influences. Traditional counterfactual inference usually assumes the availability of a structural causal model. Yet, in practice, such a causal model is often unknown and may not be identifiable. This paper aims to perform reliable counterfactual inference based on the (learned) qualitative causal structure and observational data, without necessitating a given causal model or even the direct estimation of conditional distributions. We re-cast counterfactual reasoning as an extended quantile regression problem, implemented with deep neural networks to capture general causal relationships and data distributions. The proposed approach offers superior statistical efficiency compared to existing ones, and further, it enhances the potential for generalizing the estimated counterfactual outcomes to previously unseen data, providing an upper bound on the generalization error. Empirical results conducted on multiple datasets offer compelling support for our theoretical assertions.
• Abstract（参考訳）: 因果的影響を理解し、利用するためには、反事実的な「what if」問合せに対処する能力が不可欠である。 従来の反事実推論は通常、構造因果モデルが利用可能であると仮定する。 しかし、実際にはそのような因果モデルはしばしば未知であり、識別できない可能性がある。 本稿では,与えられた因果モデルや条件分布の直接推定を必要とせずに,定性的因果構造と観測データに基づく信頼性の高い反事実推論を行うことを目的とする。 我々は、反事実推論を拡張量子回帰問題として再考し、ディープニューラルネットワークを用いて一般的な因果関係とデータ分布を捉える。 提案手法は, 既存のデータと比較して優れた統計効率を示し, さらに, 推定値の非認識データへの一般化の可能性を高め, 一般化誤差の上限を与える。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。

関連論文リスト

• Learning Counterfactual Outcomes Under Rank Preservation [32.213816786727826]
  本稿では, 対実結果の同定と推定のための原則的アプローチを提案する。 我々の理論的解析は、ランク保存仮定が同質性や厳密な単調性仮定よりも強くないことを示している。
  論文  参考訳（メタデータ） (2025-02-10T12:36:57Z)
• Causality can systematically address the monsters under the bench(marks) [64.36592889550431]
  ベンチマークはさまざまなバイアス、アーティファクト、リークに悩まされている。 モデルは、調査の不十分な障害モードのため、信頼できない振る舞いをする可能性がある。 因果関係はこれらの課題を体系的に解決するための 理想的な枠組みを提供します
  論文  参考訳（メタデータ） (2025-02-07T17:01:37Z)
• Prediction-Powered E-Values [0.66567375919026]
  予測型推論のアイデアをe-valueに適用する。 e-values でフレーム化できるすべての推論手順には予測機能があることを示す。 私たちのアプローチはモジュール化されており、既存のアルゴリズムに簡単に統合できます。
  論文  参考訳（メタデータ） (2025-02-06T18:36:01Z)
• Bridging Internal Probability and Self-Consistency for Effective and Efficient LLM Reasoning [53.25336975467293]
  パープレキシティや自己整合性などの手法の第一理論誤差分解解析について述べる。 パープレキシティ法は、適切な整合関数が存在しないため、かなりのモデル誤差に悩まされる。 本稿では、自己整合性とパープレキシティを統合したReasoning-Pruning Perplexity Consistency(RPC)と、低確率推論経路を排除したReasoning Pruningを提案する。
  論文  参考訳（メタデータ） (2025-02-01T18:09:49Z)
• Counterfactual Generative Modeling with Variational Causal Inference [1.9287470458589586]
  本稿では, 逆ファクト生成モデリングタスクを扱うための変分ベイズ因果推論フレームワークを提案する。 実験では, 反ファクト生成モデルにおける最先端モデルと比較して, フレームワークの利点を実証する。
  論文  参考訳（メタデータ） (2024-10-16T16:44:12Z)
• The Foundations of Tokenization: Statistical and Computational Concerns [51.370165245628975]
  トークン化は、NLPパイプラインにおける重要なステップである。 NLPにおける標準表現法としての重要性は認識されているが、トークン化の理論的基盤はまだ完全には理解されていない。 本稿では,トークン化モデルの表現と解析のための統一的な形式的枠組みを提案することによって,この理論的ギャップに対処することに貢献している。
  論文  参考訳（メタデータ） (2024-07-16T11:12:28Z)
• Deriving Causal Order from Single-Variable Interventions: Guarantees & Algorithm [14.980926991441345]
  介入データを含むデータセットは,データ分布に関する現実的な仮定の下で効果的に抽出可能であることを示す。 観察的および介入的設定における各変数の限界分布の比較に依拠する介入忠実性を導入する。 また、多数の単一変数の介入を含むデータセットから因果順序を推測するアルゴリズムであるIntersortを導入する。
  論文  参考訳（メタデータ） (2024-05-28T16:07:17Z)
• Towards Characterizing Domain Counterfactuals For Invertible Latent Causal Models [15.817239008727789]
  本研究では,異なるドメインで生成された場合,サンプルがどのようなものであったのかを仮定した,ドメイン反事実と呼ばれる特定のタイプの因果クエリを解析する。 本研究では, 潜在構造因果モデル (SCM) の回復は, ドメイン・デファクト・デファクトを推定するために不要であることを示す。 また、モデル生成過程を単純化し、生成モデル推定を行うための理論的基盤となる実用的なアルゴリズムも開発する。
  論文  参考訳（メタデータ） (2023-06-20T04:19:06Z)
• Exploring the Trade-off between Plausibility, Change Intensity and Adversarial Power in Counterfactual Explanations using Multi-objective Optimization [73.89239820192894]
  自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。 本稿では, 対実例生成のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-05-20T15:02:53Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)

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。