論文の概要: Federated Learning of Causal Effects from Incomplete Observational Data
- arxiv url: http://arxiv.org/abs/2308.13047v1
- Date: Thu, 24 Aug 2023 19:27:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-28 16:02:21.357456
- Title: Federated Learning of Causal Effects from Incomplete Observational Data
- Title(参考訳): 不完全観測データによる因果効果の連合学習
- Authors: Thanh Vinh Vo, Young lee, Tze-Yun Leong
- Abstract要約: 不完全なデータソースからのフェデレーション因果推論のための新しいアプローチを提案する。
我々のアプローチは、損失関数を複数のコンポーネントに切り離し、それぞれが欠落した値を持つ特定のデータソースに対応する。
本フレームワークは、ソース間で生データを共有することなく、異種因果効果を推定する。
- 参考スコア(独自算出の注目度): 7.070214955483121
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Decentralized and incomplete data sources are prevalent in real-world
applications, posing a formidable challenge for causal inference. These sources
cannot be consolidated into a single entity owing to privacy constraints, and
the presence of missing values within them can potentially introduce bias to
the causal estimands. We introduce a new approach for federated causal
inference from incomplete data, enabling the estimation of causal effects from
multiple decentralized and incomplete data sources. Our approach disentangles
the loss function into multiple components, each corresponding to a specific
data source with missing values. Our approach accounts for the missing data
under the missing at random assumption, while also estimating higher-order
statistics of the causal estimands. Our method recovers the conditional
distribution of missing confounders given the observed confounders from the
decentralized data sources to identify causal effects. Our framework estimates
heterogeneous causal effects without the sharing of raw training data among
sources, which helps to mitigate privacy risks. The efficacy of our approach is
demonstrated through a collection of simulated and real-world instances,
illustrating its potential and practicality.
- Abstract(参考訳): 分散データソースと不完全なデータソースは、現実世界のアプリケーションで広く使われています。
これらのソースは、プライバシの制約により単一のエンティティに統合することはできず、内部に欠落する値の存在は、因果推定値にバイアスをもたらす可能性がある。
我々は,不完全データからのフェデレーション因果推論のための新しいアプローチを導入し,複数の分散データおよび不完全データソースから因果効果を推定する。
我々のアプローチは、損失関数を複数のコンポーネントに切り離し、それぞれが欠落した値を持つ特定のデータソースに対応する。
提案手法では,無作為な仮定の欠落データに対して,因果推定値の高次統計量も推定する。
本手法は,分散データソースから検出された共同設立者の条件分布を回復し,因果効果を同定する。
本フレームワークは,情報源間で生データを共有することなく異種因果効果を推定し,プライバシーリスクを軽減する。
本手法の有効性はシミュレーションおよび実世界のインスタンスの収集によって実証され,その可能性と実用性を示す。
関連論文リスト
- Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
任意の因果モデルと異種データに対応する新しいFCD法を提案する。
これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。
提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
論文 参考訳(メタデータ) (2024-02-20T18:53:53Z) - Disentangle Estimation of Causal Effects from Cross-Silo Data [14.684584362172666]
本稿では,モデルパラメータのシームレスなクロスサイロ伝送を容易にするために設計された,革新的なアンタングルアーキテクチャを提案する。
種々の欠落領域におけるバイアスを効果的に緩和するために,グローバルな制約を方程式に導入する。
我々の手法は最先端のベースラインを上回っている。
論文 参考訳(メタデータ) (2024-01-04T09:05:37Z) - Approximating Counterfactual Bounds while Fusing Observational, Biased
and Randomised Data Sources [64.96984404868411]
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。
論文 参考訳(メタデータ) (2023-07-31T11:28:24Z) - An Adaptive Kernel Approach to Federated Learning of Heterogeneous
Causal Effects [10.248235276871256]
本稿では,複数の分散データソースから因果関係を学習するための新たな因果関係推論フレームワークを提案する。
本稿では,データソース間の類似性を学習する適応転送アルゴリズムを提案する。
提案手法は,異なる分布を持つ分散化されたデータソースのベースラインよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-01-01T04:57:48Z) - Collaborative causal inference on distributed data [7.293479909193382]
本研究では,データ協調実験(DC-QE)を提案し,対象と共変量の欠如を解消し,推定におけるランダムな誤りやバイアスを低減する。
提案手法では, 個人データから生成した中間表現を局所的データから構築し, プライバシ保存のためにプライベートデータの代わりに中間表現を共有し, 共有中間表現から適合度スコアを推定し, 最終的に, 適合度スコアから治療効果を推定する。
論文 参考訳(メタデータ) (2022-08-16T18:28:56Z) - CEDAR: Communication Efficient Distributed Analysis for Regressions [9.50726756006467]
患者レベルのデータを共有することなく、複数のEHRデータベース上での分散学習への関心が高まっている。
本稿では,局所的な最適推定値を集約する通信効率のよい新しい手法を提案する。
本稿では,統計的推測法と差分プライバシーに関する理論的検討を行い,シミュレーションおよび実データ解析におけるその性能評価を行う。
論文 参考訳(メタデータ) (2022-07-01T09:53:44Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-07T10:14:18Z) - Federated Estimation of Causal Effects from Observational Data [19.657789891394504]
フェデレートされたデータソースを用いた因果推論のための新しいフレームワークを提案する。
我々は、異なるプライベートデータソースからの局所因果効果を中央集権化せずに評価し、統合する。
論文 参考訳(メタデータ) (2021-05-31T08:06:00Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-08T14:29:07Z) - Domain Adaptative Causality Encoder [52.779274858332656]
我々は,適応因果同定と局所化の課題に対処するために,依存木の特徴と敵対学習を活用する。
我々は、テキストにあらゆる種類の因果関係を統合する新しい因果関係データセット、MedCausを提案する。
論文 参考訳(メタデータ) (2020-11-27T04:14:55Z) - On Disentangled Representations Learned From Correlated Data [59.41587388303554]
相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。
本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。
また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
論文 参考訳(メタデータ) (2020-06-14T12:47:34Z)
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。