論文の概要: Federated Causal Inference from Observational Data

• arxiv url: http://arxiv.org/abs/2308.13047v2
• Date: Thu, 30 May 2024 08:19:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-01 00:02:40.301718
• Title: Federated Causal Inference from Observational Data
• Title（参考訳）: 観測データからのフェデレート因果推論
• Authors: Thanh Vinh Vo, Young lee, Tze-Yun Leong,
• Abstract要約: 分散化されたデータソースは、現実世界のアプリケーションで広く使われており、因果推論の深刻な課題となっている。 本稿では,分散データソースから因果効果を推定する枠組みを提案する。 提案フレームワークは,ソース間の生データの交換を回避し,プライバシ保護因果学習に寄与する。
• 参考スコア（独自算出の注目度）: 6.290787709927236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decentralized 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. The presence of dissimilar data distributions and missing values within them can potentially introduce bias to the causal estimands. In this article, we propose a framework to estimate causal effects from decentralized data sources. The proposed framework avoid exchanging raw data among the sources, thus contributing towards privacy-preserving causal learning. Three instances of the proposed framework are introduced to estimate causal effects across a wide range of diverse scenarios within a federated setting. (1) FedCI: a Bayesian framework based on Gaussian processes for estimating causal effects from federated observational data sources. It estimates the posterior distributions of the causal effects to compute the higher-order statistics that capture the uncertainty. (2) CausalRFF: an adaptive transfer algorithm that learns the similarities among the data sources by utilizing Random Fourier Features to disentangle the loss function into multiple components, each of which is associated with a data source. It estimates the similarities among the sources through transfer coefficients, and hence requiring no prior information about the similarity measures. (3) CausalFI: a new approach for federated causal inference from incomplete data, enabling the estimation of causal effects from multiple decentralized and incomplete data sources. It accounts for the missing data under the missing at random assumption, while also estimating higher-order statistics of the causal estimands. The proposed federated framework and its instances are an important step towards a privacy-preserving causal learning model.
• Abstract（参考訳）: 分散化されたデータソースは、現実世界のアプリケーションで広く使われており、因果推論の深刻な課題となっている。 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ない。 異種データ分布とそれらの中の欠落した値の存在は、因果推定値に偏見をもたらす可能性がある。 本稿では,分散データソースから因果効果を推定する枠組みを提案する。 提案フレームワークは,ソース間の生データの交換を回避し,プライバシ保護因果学習に寄与する。 提案するフレームワークの3つの例は、フェデレートされた設定内で、幅広い多様なシナリオにまたがる因果効果を推定するために導入された。 1)FedCI:連合観測データから因果効果を推定するためのガウス過程に基づくベイズ的枠組み。 因果効果の後方分布を推定し、不確実性を捉える高次統計を計算する。 2) CausalRFF: ランダムフーリエ特徴を用いてデータソース間の類似性を学習し、損失関数を複数のコンポーネントに切り離し、それぞれがデータソースに関連付ける適応転送アルゴリズム。 転送係数によってソース間の類似性を推定し、そのため、類似度対策に関する事前情報を必要としない。 (3)CausalFI: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により、複数の分散データと不完全データソースから因果効果を推定できる。 ランダムな仮定で欠落したデータと、因果推定値の高次統計を推定する。 提案するフェデレーションフレームワークとそのインスタンスは、プライバシ保護因果学習モデルに向けた重要なステップである。

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。