論文の概要: Kernel Single Proxy Control for Deterministic Confounding

• arxiv url: http://arxiv.org/abs/2308.04585v1
• Date: Tue, 8 Aug 2023 21:11:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-10 16:00:35.211013
• Title: Kernel Single Proxy Control for Deterministic Confounding
• Title（参考訳）: 決定論的共起のためのカーネル単一プロキシ制御
• Authors: Liyuan Xu, Arthur Gretton
• Abstract要約: 結果が確定的に生成される場合,一つのプロキシ変数が因果推定に十分であることを示す。 両手法が一貫して因果効果を推定できることを実証し,合成データセット上で因果効果を回復できることを実証的に実証した。
• 参考スコア（独自算出の注目度）: 25.313926264485065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of causal effect estimation with an unobserved confounder, where we observe a proxy variable that is associated with the confounder. Although Proxy Causal Learning (PCL) uses two proxy variables to recover the true causal effect, we show that a single proxy variable is sufficient for causal estimation if the outcome is generated deterministically, generalizing Control Outcome Calibration Approach (COCA). We propose two kernel-based methods for this setting: the first based on the two-stage regression approach, and the second based on a maximum moment restriction approach. We prove that both approaches can consistently estimate the causal effect, and we empirically demonstrate that we can successfully recover the causal effect on a synthetic dataset.
• Abstract（参考訳）: 本研究では,未観測の共同設立者による因果効果推定の問題点を考察し,共同設立者に関連するプロキシ変数を観察する。 Proxy Causal Learning (PCL)は2つのプロキシ変数を用いて真の因果効果を回復するが、結果が決定論的に生成されると、単一のプロキシ変数が因果推定に十分であることを示す。 本研究では,2段階回帰法と最大モーメント制限法を組み合わせた2つのカーネルベース手法を提案する。 いずれのアプローチも一貫して因果効果を推定できることを実証し,合成データセット上で因果効果を正常に回復できることを実証した。

関連論文リスト

• Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
  我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。 本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。 我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-09-24T14:52:14Z)
• Automating the Selection of Proxy Variables of Unmeasured Confounders [16.773841751009748]
  既存のプロキシ変数推定器を拡張して、治療と結果の間に複数の未測定の共同創設者が存在するシナリオに対応する。 本稿では、プロキシ変数の選択と因果効果の偏りのない推定のための2つのデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2024-05-25T08:53:49Z)
• Valid Inference After Causal Discovery [73.87055989355737]
  我々は、因果関係発見後の推論に有効なツールを開発する。 因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-08-11T17:40:45Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• False Correlation Reduction for Offline Reinforcement Learning [115.11954432080749]
  本稿では,実効的かつ理論的に証明可能なアルゴリズムであるオフラインRLに対するfalSe Correlation Reduction (SCORE)を提案する。 SCOREは、標準ベンチマーク(D4RL)において、様々なタスクにおいて3.1倍の高速化でSoTA性能を達成することを実証的に示す。
  論文  参考訳（メタデータ） (2021-10-24T15:34:03Z)
• Deep Proxy Causal Learning and its Application to Confounded Bandit Policy Evaluation [26.47311758786421]
  プロキシ因果学習(英: Proxy causal learning、PCL)は、治療の因果効果を未観察の結束の有無で推定する方法である。 そこで本研究では,PCLの新しい手法であるDFPV(Deep Feature proxy variable method)を提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:36:13Z)
• Proximal Causal Learning with Kernels: Two-Stage Estimation and Moment Restriction [39.51144507601913]
  我々は近位因果学習の設定に焦点をあてるが、本手法はフレドホルム積分方程式によって特徴づけられるより広い逆問題のクラスを解くのに使うことができる。 我々は,各アルゴリズムに一貫性の保証を提供し,これらの手法が合成データと実世界のタスクをシミュレートしたデータにおいて競争的な結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-05-10T17:52:48Z)
• 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)
• Off-policy Evaluation in Infinite-Horizon Reinforcement Learning with Latent Confounders [62.54431888432302]
  無限水平エルゴードマルコフ決定過程におけるOPE問題について考察する。 我々は、状態と行動の潜在変数モデルのみを考慮すれば、政策値が政治外のデータから特定できることを示す。
  論文  参考訳（メタデータ） (2020-07-27T22:19:01Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。