論文の概要: Learning Conditional Instrumental Variable Representation for Causal Effect Estimation

• arxiv url: http://arxiv.org/abs/2306.12453v1
• Date: Wed, 21 Jun 2023 02:27:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-23 16:42:05.164533
• Title: Learning Conditional Instrumental Variable Representation for Causal Effect Estimation
• Title（参考訳）: 因果効果推定のための条件変数表現の学習
• Authors: Debo Cheng, Ziqi Xu, Jiuyong Li, Lin Liu, Thuc Duy Le, and Jixue Liu
• Abstract要約: 因果効果推定のための条件セットとCIVの表現を学習・拡張するための新しい手法DVAE.CIVを提案する。
• 参考スコア（独自算出の注目度）: 20.546911588972737
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the fundamental challenges in causal inference is to estimate the causal effect of a treatment on its outcome of interest from observational data. However, causal effect estimation often suffers from the impacts of confounding bias caused by unmeasured confounders that affect both the treatment and the outcome. The instrumental variable (IV) approach is a powerful way to eliminate the confounding bias from latent confounders. However, the existing IV-based estimators require a nominated IV, and for a conditional IV (CIV) the corresponding conditioning set too, for causal effect estimation. This limits the application of IV-based estimators. In this paper, by leveraging the advantage of disentangled representation learning, we propose a novel method, named DVAE.CIV, for learning and disentangling the representations of CIV and the representations of its conditioning set for causal effect estimations from data with latent confounders. Extensive experimental results on both synthetic and real-world datasets demonstrate the superiority of the proposed DVAE.CIV method against the existing causal effect estimators.
• Abstract（参考訳）: 因果推論における根本的な課題の1つは、観察データからその関心の結果に対する治療の因果効果を推定することである。 しかし、因果効果の推定は、治療と結果の両方に影響を及ぼす未測定の共同設立者による共起バイアスの影響に悩まされることが多い。 インストゥルメンタル変数(IV)アプローチは、潜在的共同設立者からの偏見を取り除く強力な方法である。 しかし、既存のIVベースの推定器は、候補IVを必要とし、条件IV(CIV)は、因果効果の推定にも対応する条件セットも必要である。 これはIVベースの推定器の適用を制限する。 本稿では,不等角表現学習の利点を生かして,civの表現とその条件付け集合の表現を学習・分析し,潜在共起者とのデータから因果効果を推定する新しい手法であるdvae.civを提案する。 合成データと実世界のデータセットの両方に関する広範な実験の結果は、既存の因果効果推定器に対するdvae.civ法が優れていることを示している。

関連論文リスト

• Conditional Instrumental Variable Regression with Representation Learning for Causal Inference [20.454641170078812]
  本稿では,観測データから因果効果を推定する上での課題について考察する。 本稿では,非保守的共同設立者からの共起バイアスを解消し,観察された共同設立者のバランスをとるために,共起バランス表現学習(CBRL.CIV)による非線形回帰を提案する。
  論文  参考訳（メタデータ） (2023-10-03T08:08:09Z)
• 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)
• Causal Inference with Conditional Instruments using Deep Generative Models [21.771832598942677]
  標準IVは、処理変数と関係があり、システム内の他のすべての変数とは独立していると期待されている。 変数を変数の集合に条件付けするための条件付きIV(CIV)法が提案されている。 平均因果効果推定のために,CIVの表現とその条件セットを,潜伏した共同設立者とのデータから学習することを提案する。
  論文  参考訳（メタデータ） (2022-11-29T14:31:54Z)
• Confounder Balancing for Instrumental Variable Regression with Latent Variable [29.288045682505615]
  本稿では,未測定の共同設立者からの共謀効果と,IV回帰における観察された共同設立者の不均衡について検討する。 我々は、計測されていない共同設立者からバイアスを取り除き、観察された共同設立者の不均衡を取り除くために、共同設立者バランスIV回帰(CB-IV)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-11-18T03:13:53Z)
• Discovering Ancestral Instrumental Variables for Causal Inference from Observational Data [0.0]
  測定変数(IV)は、観察データから興味の結果に対する治療の因果効果を推定するための強力なアプローチである。 既存のIV法は、IVが選択され、ドメイン知識で正当化されることを要求する。 本稿では,データから有効なIVを発見するためのデータ駆動アルゴリズムについて,軽度な仮定で検討・設計する。
  論文  参考訳（メタデータ） (2022-06-04T07:48:13Z)
• Ancestral Instrument Method for Causal Inference without Complete Knowledge [0.0]
  観測データから因果効果を推定する主な障害は、観測不能な共起である。 条件IVは、観測変数の集合を条件付けすることで標準IVの要求を緩和するために提案されている。 本研究では,祖先IVと観測データを用いた因果効果推定アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-01-11T07:02:16Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• A standardized framework for risk-based assessment of treatment effect heterogeneity in observational healthcare databases [60.07352590494571]
  本研究の目的は,この手法を標準化されたスケーラブルなフレームワークを用いて観測環境に拡張することであった。 アンジオテンシン変換酵素阻害薬(ACE)とβ阻害薬の3つの効果と6つの安全性に対する効果を評価することにより,我々の枠組みを実証する。
  論文  参考訳（メタデータ） (2020-10-13T14:48:31Z)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)
• Learning Decomposed Representation for Counterfactual Inference [53.36586760485262]
  観察データから治療効果を推定する際の根本的な問題は、共同設立者の識別とバランスである。 これまでの方法の多くは、観察されたすべての事前処理変数を共同創設者として扱い、共同創設者と非共同創設者の識別をさらに無視することで、共同ファウンダーのバランスを実現していた。 本研究では,1)共同創設者と非共同創設者の両方の表現を学習することで共同創設者を同定し,2)再重み付け手法のバランスをとるとともに,同時に,反実的推論による観察研究における治療効果を推定する相乗的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-12T09:50:42Z)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。