論文の概要: Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources

• arxiv url: http://arxiv.org/abs/2307.16577v1
• Date: Mon, 31 Jul 2023 11:28:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-01 14:51:50.444662
• Title: Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources
• Title（参考訳）: 観測、偏り、ランダム化データソースを融合しながら反事実境界を近似する
• Authors: Marco Zaffalon and Alessandro Antonucci and Rafael Caba\~nas and David Huber
• Abstract要約: 我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。 利用可能なデータの可能性は局所的な最大値を持たないことを示す。 次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
• 参考スコア（独自算出の注目度）: 64.96984404868411
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the problem of integrating data from multiple, possibly biased, observational and interventional studies, to eventually compute counterfactuals in structural causal models. We start from the case of a single observational dataset affected by a selection bias. We show that the likelihood of the available data has no local maxima. This enables us to use the causal expectation-maximisation scheme to approximate the bounds for partially identifiable counterfactual queries, which are the focus of this paper. We then show how the same approach can address the general case of multiple datasets, no matter whether interventional or observational, biased or unbiased, by remapping it into the former one via graphical transformations. Systematic numerical experiments and a case study on palliative care show the effectiveness of our approach, while hinting at the benefits of fusing heterogeneous data sources to get informative outcomes in case of partial identifiability.
• Abstract（参考訳）: 構造因果モデルにおいて,複数の,バイアスのある,観察的,介入的な研究からのデータを統合することの問題点に対処する。 まず、選択バイアスによって影響を受ける単一の観測データセットの場合から始める。 利用可能なデータの可能性には局所的な最大性がないことを示す。 これにより, 因果的期待最大化スキームを用いて, 本論文の焦点である部分的識別可能な反事実クエリの境界を近似することができる。 次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。介入的、観察的、偏り、バイアスのないいずれであっても、グラフィカルトランスフォーメーションを通じて前者に再マップすることで。 系統的な数値実験と緩和ケアのケーススタディは,不均一なデータソースを融合させることにより,部分的識別可能性に影響を及ぼす利点を示唆しながら,我々のアプローチの有効性を示した。

関連論文リスト

• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Generalizing experimental findings: identification beyond adjustments [2.5889737226898437]
  ランダム化比較試験(RCT)の結果を,観測データを用いて対象集団に一般化することを目的としている。 実験結果が調整によって一般化できない事例を考察する。 この一般化は、do-calculusを適用することで導出できる他の識別戦略によっても可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-14T09:00:17Z)
• Detecting hidden confounding in observational data using multiple environments [0.81585306387285]
  本論では, 隠れた接尾辞が存在する場合にのみ欠落する, 検証可能な条件不一致の理論について述べる。 ほとんどの場合、提案手法は隠れた共起の存在を正確に予測する。
  論文  参考訳（メタデータ） (2022-05-27T12:20:09Z)
• The interventional Bayesian Gaussian equivalent score for Bayesian causal inference with unknown soft interventions [0.0]
  ゲノミクスのような特定の環境では、不均一な研究条件からのデータがあり、研究変数のサブセットのみに関連するソフトな(部分的な)介入がある。 観察データと介入データとの混合に対する介入BGeスコアを定義し,介入の目的と効果が不明である可能性がある。
  論文  参考訳（メタデータ） (2022-05-05T12:32:08Z)
• Combining Observational and Randomized Data for Estimating Heterogeneous Treatment Effects [82.20189909620899]
  不均一な治療効果を推定することは、多くの領域において重要な問題である。 現在、現存するほとんどの作品は観測データにのみ依存している。 本稿では、大量の観測データと少量のランダム化データを組み合わせることで、不均一な処理効果を推定する。
  論文  参考訳（メタデータ） (2022-02-25T18:59:54Z)
• Adaptive Data Analysis with Correlated Observations [21.969356766737622]
  いくつかのケースでは、サンプル内に依存関係がある場合でも、差分プライバシーが保証されることが示されています。 転写圧縮と適応データ解析の関連性は,非ID設定にまで拡張可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-21T14:00:30Z)
• Multi-Source Causal Inference Using Control Variates [81.57072928775509]
  本稿では,複数のデータソースから因果効果を推定するアルゴリズムを提案する。 理論的には、これはATE推定値の分散を減少させる。 このフレームワークを結果選択バイアスの下で観測データからの推論に適用する。
  論文  参考訳（メタデータ） (2021-03-30T21:20:51Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)
• Learning Overlapping Representations for the Estimation of Individualized Treatment Effects [97.42686600929211]
  観測データから代替案の可能性を推定することは難しい問題である。 入力のドメイン不変表現を学習するアルゴリズムは、しばしば不適切であることを示す。 我々は,様々なベンチマークデータセットの最先端性を大幅に向上させる,ディープカーネル回帰アルゴリズムと後続正規化フレームワークを開発した。
  論文  参考訳（メタデータ） (2020-01-14T12:56:29Z)

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。