論文の概要: To Predict or to Reject: Causal Effect Estimation with Uncertainty on Networked Data

• arxiv url: http://arxiv.org/abs/2309.08165v1
• Date: Fri, 15 Sep 2023 05:25:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-18 15:53:43.915421
• Title: To Predict or to Reject: Causal Effect Estimation with Uncertainty on Networked Data
• Title（参考訳）: 予測・拒否:ネットワークデータの不確実性を考慮した因果効果推定
• Authors: Hechuan Wen, Tong Chen, Li Kheng Chai, Shazia Sadiq, Kai Zheng, Hongzhi Yin
• Abstract要約: GraphDKLは、グラフによる因果効果推定を行う際に、肯定的仮定違反に対処する最初のフレームワークである。 本研究では,ネットワークデータに対する不確実性を考慮した因果効果推定における提案手法の優位性を示す。
• 参考スコア（独自算出の注目度）: 36.31936265985164
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the imbalanced nature of networked observational data, the causal effect predictions for some individuals can severely violate the positivity/overlap assumption, rendering unreliable estimations. Nevertheless, this potential risk of individual-level treatment effect estimation on networked data has been largely under-explored. To create a more trustworthy causal effect estimator, we propose the uncertainty-aware graph deep kernel learning (GraphDKL) framework with Lipschitz constraint to model the prediction uncertainty with Gaussian process and identify unreliable estimations. To the best of our knowledge, GraphDKL is the first framework to tackle the violation of positivity assumption when performing causal effect estimation with graphs. With extensive experiments, we demonstrate the superiority of our proposed method in uncertainty-aware causal effect estimation on networked data.
• Abstract（参考訳）: ネットワーク化された観測データの不均衡性のため、一部の個体の因果効果予測は肯定的/オーバーラップの仮定を厳しく破り、信頼性の低い推定を行う。 それにもかかわらず、ネットワーク化されたデータに対する個人レベルの治療効果推定の潜在的なリスクは、概ね過小評価されている。 より信頼できる因果効果推定器を作成するために、リプシッツ制約付き不確実性認識グラフディープカーネル学習(graphdkl)フレームワークを提案し、ガウス過程による予測の不確実性をモデル化し、信頼できない推定を同定する。 我々の知る限りでは、グラフによる因果効果推定を行う際に正の仮定違反に対処する最初のフレームワークはGraphDKLである。 ネットワークデータに対する不確実性を考慮した因果効果推定における提案手法の優位性を示す。

関連論文リスト

• Uncertainty for Active Learning on Graphs [70.44714133412592]
  不確実性サンプリングは、機械学習モデルのデータ効率を改善することを目的とした、アクティブな学習戦略である。 予測の不確実性を超えた不確実性サンプリングをベンチマークし、他のアクティブラーニング戦略に対する大きなパフォーマンスギャップを強調します。 提案手法は,データ生成プロセスの観点から基幹的ベイズ不確実性推定法を開発し,不確実性サンプリングを最適クエリへ導く上での有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-02T16:50:47Z)
• On the Impact of Uncertainty and Calibration on Likelihood-Ratio Membership Inference Attacks [42.18575921329484]
  我々は,情報理論の枠組みを用いて,最先端の確率比攻撃(LiRA)の性能を解析する。 我々は、MIAの有効性に対する不確実性と校正の影響についての洞察を提供することを目的として、MIA敵の利点に基づいて境界を導出する。
  論文  参考訳（メタデータ） (2024-02-16T13:41:18Z)
• Task-Driven Causal Feature Distillation: Towards Trustworthy Risk Prediction [19.475933293993076]
  本稿では,タスク駆動型因果的特徴蒸留モデル(TDCFD)を提案し,元の特徴値を因果的特徴属性に変換する。 因果的特徴蒸留後、信頼に値する予測結果を得るためにディープニューラルネットワークを適用する。 合成および実データを用いたTDCFD法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-12-20T08:16:53Z)
• Adaptive Uncertainty Estimation via High-Dimensional Testing on Latent Representations [28.875819909902244]
  不確実性推定は、訓練されたディープニューラルネットワークの信頼性を評価することを目的としている。 既存の不確実性推定アプローチは、低次元分布仮定に依存している。 本研究では,不確実性推定のためのデータ適応型高次元仮説テストを用いた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-25T12:22:18Z)
• On Calibrated Model Uncertainty in Deep Learning [0.0]
  損失校正されたベイジアンフレームワークの近似推論を,ドロップウェイトに基づくベイジアンニューラルネットワークに拡張する。 損失校正された不確実性から得られる決定は、簡単な代替手段よりも、診断性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-06-15T20:16:32Z)
• Uncertainty-Aware Training for Cardiac Resynchronisation Therapy Response Prediction [3.090173647095682]
  予測の不確実性の定量化は、そのような解釈可能性を提供し、信頼を促進する1つの方法である。 心臓磁気共鳴画像からの心再同期治療応答予測のためのDLモデルのデータ(アラート的)とモデル(緊急的)の不確かさを定量化する。 我々は、既存のDL画像に基づく分類モデルを再訓練し、正しい予測の信頼性を高めるために使用できる不確実性認識損失関数を予備検討する。
  論文  参考訳（メタデータ） (2021-09-22T10:37:50Z)
• DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
  認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。 一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T23:50:35Z)
• The Aleatoric Uncertainty Estimation Using a Separate Formulation with Virtual Residuals [51.71066839337174]
  既存の手法では、ターゲット推定における誤差を定量化できるが、過小評価する傾向がある。 本稿では,信号とその不確かさを推定するための新たな分離可能な定式化を提案し,オーバーフィッティングの影響を回避した。 提案手法は信号および不確実性推定のための最先端技術より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T12:11:27Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Learning to Predict Error for MRI Reconstruction [67.76632988696943]
  提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。 本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-02-13T15:55:32Z)

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。