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

• Do Finetti: On Causal Effects for Exchangeable Data [45.96632286841583]
  データをi.i.d.に含まない環境での因果効果の推定について検討する。 我々は、独立因果関係の仮定を満たす交換可能なデータに焦点を当てる。
  論文  参考訳（メタデータ） (2024-05-29T07:31:18Z)
• 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)
• 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)
• Federated Causal Discovery [74.37739054932733]
  本稿では,DAG-Shared Federated Causal Discovery (DS-FCD) という勾配学習フレームワークを開発する。 ローカルデータに直接触れることなく因果グラフを学習し、データの不均一性を自然に扱うことができる。 合成および実世界の両方のデータセットに対する大規模な実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2021-12-07T08:04:12Z)
• 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)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)

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。