論文の概要: Variational Counterfactual Prediction under Runtime Domain Corruption
- arxiv url: http://arxiv.org/abs/2306.13271v1
- Date: Fri, 23 Jun 2023 02:54:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-26 13:45:03.577018
- Title: Variational Counterfactual Prediction under Runtime Domain Corruption
- Title（参考訳）: 実行時ドメイン破壊時の変動要因予測
- Authors: Hechuan Wen, Tong Chen, Li Kheng Chai, Shazia Sadiq, Junbin Gao,
Hongzhi Yin
- Abstract要約: ドメインシフトとアクセス不能変数の同時発生 実行時ドメインの破損は、訓練済みの反事実予測器の一般化を著しく損なう。
我々は,新たな2段階の対向領域適応方式を用いて,VEGANという,対向的に統一された変分因果効果モデルを構築した。
VEGANは、ランタイムドメインの破損の有無で、個々のレベルの処理効果の推定において、他の最先端のベースラインよりも優れていることを実証する。
- 参考スコア（独自算出の注目度）: 50.89405221574912
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: To date, various neural methods have been proposed for causal effect
estimation based on observational data, where a default assumption is the same
distribution and availability of variables at both training and inference
(i.e., runtime) stages. However, distribution shift (i.e., domain shift) could
happen during runtime, and bigger challenges arise from the impaired
accessibility of variables. This is commonly caused by increasing privacy and
ethical concerns, which can make arbitrary variables unavailable in the entire
runtime data and imputation impractical. We term the co-occurrence of domain
shift and inaccessible variables runtime domain corruption, which seriously
impairs the generalizability of a trained counterfactual predictor. To counter
runtime domain corruption, we subsume counterfactual prediction under the
notion of domain adaptation. Specifically, we upper-bound the error w.r.t. the
target domain (i.e., runtime covariates) by the sum of source domain error and
inter-domain distribution distance. In addition, we build an adversarially
unified variational causal effect model, named VEGAN, with a novel two-stage
adversarial domain adaptation scheme to reduce the latent distribution
disparity between treated and control groups first, and between training and
runtime variables afterwards. We demonstrate that VEGAN outperforms other
state-of-the-art baselines on individual-level treatment effect estimation in
the presence of runtime domain corruption on benchmark datasets.
- Abstract（参考訳）: これまで、観測データに基づく因果効果推定のための様々なニューラルメソッドが提案されてきたが、デフォルトの仮定はトレーニングと推論(すなわちランタイム)の段階での変数の分散と可用性である。
しかし、分散シフト(すなわちドメインシフト)は実行中に起こり、変数のアクセシビリティが損なわれることから大きな課題が発生する。
これは一般的に、プライバシと倫理上の懸念の増加によって引き起こされ、ランタイムデータ全体において任意の変数が使用不能になり、インプテーションが非現実的になる。
ドメインシフトとアクセシブル変数の同時発生は、訓練された対実予測器の一般化を著しく損なう。
ランタイムドメインの腐敗に対抗するために、ドメイン適応の概念の下での偽の予測を仮定します。
具体的には、ソースドメインエラーとドメイン間分布距離の和により、ターゲットドメイン(すなわち実行時共変器)のエラーw.r.tを上界する。
さらに, VEGAN と名づけられた対向的に統一された変分因果効果モデルを構築し, 2段階の対向領域適応方式により, 処理群と制御群との潜時分布の差を低減し, その後の訓練と実行変数間の差を緩和する。
VEGANは、ベンチマークデータセット上でのランタイムドメインの破損の存在下で、個々のレベルの処理効果の推定において、他の最先端のベースラインよりも優れていることを示す。
関連論文リスト
- Optimal Aggregation of Prediction Intervals under Unsupervised Domain Shift [9.387706860375461]
分散シフトは、基礎となるデータ生成プロセスが変化したときに発生し、モデルの性能のずれにつながる。
予測間隔は、その基礎となる分布によって引き起こされる不確実性を特徴づける重要なツールとして機能する。
予測区間を集約し,最小の幅と対象領域を適切にカバーする手法を提案する。
論文 参考訳（メタデータ） (2024-05-16T17:55:42Z) - Proxy Methods for Domain Adaptation [78.03254010884783]
プロキシ変数は、遅延変数を明示的にリカバリしたりモデル化したりすることなく、分散シフトへの適応を可能にする。
両設定の複雑な分散シフトに適応する2段階のカーネル推定手法を開発した。
論文 参考訳（メタデータ） (2024-03-12T09:32:41Z) - Domain Generalization via Selective Consistency Regularization for Time
Series Classification [16.338176636365752]
ドメイン一般化手法は、限られた数のソースドメインからのデータで、ドメインシフトに頑健なモデルを学習することを目的としている。
本稿では,ソースドメイン間の予測一貫性を選択的に適用する表現学習手法を提案する。
論文 参考訳（メタデータ） (2022-06-16T01:57:35Z) - Controlled Generation of Unseen Faults for Partial and OpenSet&Partial
Domain Adaptation [0.0]
新たな運用条件は、トレーニングとテストデータ分布のドメインギャップによって、障害診断モデルのパフォーマンスが低下する可能性がある。
本稿では、Wasserstein GANをベースとした、部分的およびOpenSet&Partialドメイン適応のための新しいフレームワークを提案する。
主なコントリビューションは、制御されたフォールトデータ生成であり、ターゲットドメインで観測されていないフォールトタイプと重大度レベルを生成することができる。
論文 参考訳（メタデータ） (2022-04-29T13:05:25Z) - Continual Test-Time Domain Adaptation [94.51284735268597]
テスト時ドメイン適応は、ソースデータを使用しずに、ソース事前訓練されたモデルをターゲットドメインに適応することを目的としている。
CoTTAは実装が容易で、市販の事前訓練モデルに簡単に組み込むことができる。
論文 参考訳（メタデータ） (2022-03-25T11:42:02Z) - Transferable Time-Series Forecasting under Causal Conditional Shift [28.059991304278572]
時系列予測における半教師付き領域適応問題に対するエンドツーエンドモデルを提案する。
提案手法は, クロスドメインデータ間のグランガーカウサル構造を検出するだけでなく, 正確かつ解釈可能な予測結果を用いて, クロスドメイン時系列予測問題に対処する。
論文 参考訳（メタデータ） (2021-11-05T11:50:07Z) - Learning Invariant Representations and Risks for Semi-supervised Domain
Adaptation [109.73983088432364]
半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。
共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
論文 参考訳（メタデータ） (2020-10-09T15:42:35Z) - A Brief Review of Domain Adaptation [1.2043574473965317]
本稿では、ラベルがソースドメインでのみ利用可能となる、教師なしドメイン適応に焦点を当てる。
ドメイン適応問題に対処することを目的とした、浅層および深層ドメイン適応アプローチが成功している。
論文 参考訳（メタデータ） (2020-10-07T07:05:32Z) - Adaptive Risk Minimization: Learning to Adapt to Domain Shift [109.87561509436016]
ほとんどの機械学習アルゴリズムの基本的な前提は、トレーニングとテストデータは、同じ基礎となる分布から引き出されることである。
本研究では,学習データをドメインに構造化し,複数のテスト時間シフトが存在する場合の領域一般化の問題点について考察する。
本稿では、適応リスク最小化(ARM)の枠組みを紹介し、モデルがトレーニング領域に適応することを学ぶことで、効果的な適応のために直接最適化される。
論文 参考訳（メタデータ） (2020-07-06T17:59:30Z) - A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation [142.31610972922067]
この研究は、特にターゲットドメインのクラスラベルがソースドメインのサブセットである場合に、教師なしのドメイン適応問題に対処する。
本稿では,ドメイン逆境学習に基づく新しいドメイン適応手法 BA$3$US を提案し,BAA(Ba balanced Adversarial Alignment)とAUS(Adaptive Uncertainty Suppression)の2つの新しい手法を提案する。
複数のベンチマーク実験の結果、BA$3$USが部分的なドメイン適応タスクの最先端を超越していることが示されている。
論文 参考訳（メタデータ） (2020-03-05T11:37:06Z)
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。