論文の概要: Causal Mediation Analysis with Multi-dimensional and Indirectly Observed Mediators

• arxiv url: http://arxiv.org/abs/2306.07918v1
• Date: Tue, 13 Jun 2023 17:22:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-14 12:45:13.660248
• Title: Causal Mediation Analysis with Multi-dimensional and Indirectly Observed Mediators
• Title（参考訳）: 多次元・間接観察メディエータを用いた因果メディエーション解析
• Authors: Ziyang Jiang, Yiling Liu, Michael H. Klein, Ahmed Aloui, Yiman Ren, Keyu Li, Vahid Tarokh, David Carlson
• Abstract要約: 因果媒介分析は、治療の全体効果を直接的および介在的効果に分解する強力な方法である。 ほとんどのCMA法は、メディエーターは1次元で観測可能であると仮定し、現実のシナリオを単純化する。 複雑かつ間接的に観察されるメディエータを識別可能な可変オートエンコーダ(iVAE)アーキテクチャに基づいて処理できるCMAフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 22.68115322836635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal mediation analysis (CMA) is a powerful method to dissect the total effect of a treatment into direct and mediated effects within the potential outcome framework. This is important in many scientific applications to identify the underlying mechanisms of a treatment effect. However, in many scientific applications the mediator is unobserved, but there may exist related measurements. For example, we may want to identify how changes in brain activity or structure mediate an antidepressant's effect on behavior, but we may only have access to electrophysiological or imaging brain measurements. To date, most CMA methods assume that the mediator is one-dimensional and observable, which oversimplifies such real-world scenarios. To overcome this limitation, we introduce a CMA framework that can handle complex and indirectly observed mediators based on the identifiable variational autoencoder (iVAE) architecture. We prove that the true joint distribution over observed and latent variables is identifiable with the proposed method. Additionally, our framework captures a disentangled representation of the indirectly observed mediator and yields accurate estimation of the direct and mediated effects in synthetic and semi-synthetic experiments, providing evidence of its potential utility in real-world applications.
• Abstract（参考訳）: 因果仲裁分析(CMA)は、治療の全体効果を、潜在的結果の枠組みの中で直接的および媒介的な効果に分解する強力な方法である。 これは多くの科学的応用において、治療効果の基礎となるメカニズムを特定するために重要である。 しかし、多くの科学的応用において、メディエーターは観察できないが、関連する測定が存在する可能性がある。 例えば、脳活動の変化や構造が抗うつ薬の行動に対する効果をどのように媒介するかを識別したいが、電気生理学的、画像的脳計測へのアクセスしかできないかもしれない。 これまで、ほとんどのcmaメソッドは、メディエーターが一次元で観測可能であると仮定しており、現実のシナリオを単純化している。 この制限を克服するために,iVAEアーキテクチャに基づいて,複雑かつ間接的に観察されるメディエータを処理できるCMAフレームワークを導入する。 観測変数および潜伏変数に対する真の関節分布は,提案手法により同定可能であることを示す。 さらに,本フレームワークは,間接的に観察されたメディエータの非絡み合い表現を捉え,合成および半合成実験における直接的および媒介効果の正確な評価を行い,実世界の応用におけるその可能性を示す。

関連論文リスト

• Meta-Learners for Partially-Identified Treatment Effects Across Multiple Environments [67.80453452949303]
  観察データから条件平均治療効果(CATE)を推定することは、パーソナライズされた医療など多くの応用に関係している。 ここでは、観測データが複数の環境からやってくる広範囲な環境に焦点を当てる。 任意の機械学習モデルと組み合わせて使用可能な境界を推定するために、異なるモデルに依存しない学習者(いわゆるメタ学習者)を提案する。
  論文  参考訳（メタデータ） (2024-06-04T16:31:43Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Causal Message Passing for Experiments with Unknown and General Network Interference [5.294604210205507]
  複雑で未知のネットワーク干渉に対応する新しいフレームワークを提案する。 我々のフレームワークは因果的メッセージパッシングと呼ばれ、高次元近似的メッセージパッシング手法に基づいている。 本手法の有効性を5つの数値シナリオで示す。
  論文  参考訳（メタデータ） (2023-11-14T17:31:50Z)
• Temporal Causal Mediation through a Point Process: Direct and Indirect Effects of Healthcare Interventions [5.107614397012659]
  因果仲裁分析により、介入の直接効果と間接効果を区別することができる。 動的因果媒介分析への既存のアプローチは、通常の測定間隔に限られている。 本稿では,媒介者を時間点過程とみなす非パラメトリック媒介者-アウトカムモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-16T07:23:28Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• Disentangled Representation for Causal Mediation Analysis [25.114619307838602]
  因果媒介分析(英: Causal mediation analysis)は、直接的および間接的な効果を明らかにするためにしばしば用いられる方法である。 深層学習はメディエーション分析において有望であるが、現在の手法では、治療、メディエーター、結果に同時に影響を及ぼす潜在的共同創設者のみを前提としている。 そこで本研究では,助成金の表現を3つのタイプに分けて,自然的直接効果,自然間接効果,および全効果を正確に推定する,ディスタングル・メディエーション分析変分自動エンコーダ(DMAVAE)を提案する。
  論文  参考訳（メタデータ） (2023-02-19T23:37:17Z)
• A Reinforcement Learning Framework for Dynamic Mediation Analysis [16.284199152492487]
  無限地平線設定における動的媒介効果を評価するための強化学習フレームワークを提案する。 平均治療効果を即時直接効果、即時媒介効果、遅延直接効果、遅延媒介効果に分解する。 我々はこれらの因果効果を推定するために、RLフレームワークの下で頑健で半パラメトリックで効率的な推定器を開発する。
  論文  参考訳（メタデータ） (2023-01-31T00:50:05Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• 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)
• Causal Mediation Analysis with Hidden Confounders [24.246450472404614]
  CMA (Causal Mediation Analysis) は因果効果の同定と推定のための公式な統計手法である。 この研究は、統一された共著者とそのプロキシ変数による因果グラフに従うことによって、厳密な仮定を回避することを目的とする。 我々のコアコントリビューションは、深層潜伏変数モデルとプロキシ戦略を組み合わせたアルゴリズムであり、統一された代理共同創設者を共同で推論し、観測変数からCMAの異なる因果効果を推定する。
  論文  参考訳（メタデータ） (2021-02-21T06:46:11Z)

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。