論文の概要: High Dimensional Causal Inference with Variational Backdoor Adjustment

• arxiv url: http://arxiv.org/abs/2310.06100v1
• Date: Mon, 9 Oct 2023 19:21:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 01:28:12.386976
• Title: High Dimensional Causal Inference with Variational Backdoor Adjustment
• Title（参考訳）: 変動バックドア調整による高次元因果推論
• Authors: Daniel Israel, Aditya Grover, Guy Van den Broeck
• Abstract要約: 我々は,高次元治療と共同設立者のバックドア調整のための生成的モデリングアプローチを採っている。 半合成X線医療データを含む多種多様な高次元環境における介入可能性の推定が可能となる。
• 参考スコア（独自算出の注目度）: 57.31312942774617
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Backdoor adjustment is a technique in causal inference for estimating interventional quantities from purely observational data. For example, in medical settings, backdoor adjustment can be used to control for confounding and estimate the effectiveness of a treatment. However, high dimensional treatments and confounders pose a series of potential pitfalls: tractability, identifiability, optimization. In this work, we take a generative modeling approach to backdoor adjustment for high dimensional treatments and confounders. We cast backdoor adjustment as an optimization problem in variational inference without reliance on proxy variables and hidden confounders. Empirically, our method is able to estimate interventional likelihood in a variety of high dimensional settings, including semi-synthetic X-ray medical data. To the best of our knowledge, this is the first application of backdoor adjustment in which all the relevant variables are high dimensional.
• Abstract（参考訳）: バックドア調整は、純粋な観測データから介入量を推定するための因果推論の技法である。 例えば、医療環境では、バックドア調整を使用して、治療の有効性をまとめ、見積もることができます。 しかし、高次元の処理と共同創設者は、トラクタビリティ、識別可能性、最適化といった潜在的な落とし穴を生じさせる。 本研究では,高次元治療法と共同設立者に対するバックドア調整のための生成的モデリング手法を採用する。 我々は,プロキシ変数や隠れた共同設立者に依存しない変分推論において,バックドア調整を最適化問題として位置づけた。 経験的に, 半合成x線医療データを含む様々な高次元環境において, 介入可能性の推定が可能である。 我々の知る限りでは、これは全ての関連する変数が高次元であるバックドア調整の最初の応用である。

関連論文リスト

• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Backdoor Adjustment of Confounding by Provenance for Robust Text Classification of Multi-institutional Clinical Notes [7.82404526462678]
  薬物乱用に言及した臨床ノートのデータセットにおいて,テキスト分類のためのバックドア調整の有用性について検討した。 以上の結果から, バックドアの調整は, コンバウンディングシフトを効果的に軽減できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-10-03T21:40:44Z)
• Causal Effect Estimation with Variational AutoEncoder and the Front Door Criterion [23.20371860838245]
  フロントドア基準は、データからフロントドア調整に使用される変数の集合を特定することがしばしば困難である。 表現学習における深層生成モデルの能力を活用して、変分オートエンコーダを用いたフロントドア調整セットの表現を学習するためのFDVAEを提案する。
  論文  参考訳（メタデータ） (2023-04-24T10:04:28Z)
• 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)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Challenges and Opportunities in High-dimensional Variational Inference [65.53746326245059]
  低次元後肢に対する近似家族と多様性に関する直観が高次元後肢に失敗する理由を示す。 高次元後方に対しては、最適化が最も容易かつ安定な排他的KL発散を用いることを推奨する。 低から中程度の次元では、重尾の変異族と質量被覆の分岐は、重要サンプリングによって近似を改善できる可能性を高めることができる。
  論文  参考訳（メタデータ） (2021-03-01T15:53:34Z)
• Causal Inference of General Treatment Effects using Neural Networks with A Diverging Number of Confounders [12.105996764226227]
  非確立状態下では、共同設立者に対する調整は、非パラメトリックな共同設立者に対して結果や治療に関連する迷惑関数を見積もる必要がある。 本稿では,ニューラルネットワーク(ANN)を用いた一般的な治療効果の効率的な評価のための一般化された最適化手法について考察する。
  論文  参考訳（メタデータ） (2020-09-15T13:07:24Z)
• Simultaneous Estimation of X-ray Back-Scatter and Forward-Scatter using Multi-Task Learning [59.17383024536595]
  後方散乱は複雑な介入の際の患者(皮膚)の服用に大きく寄与する。 前方散乱放射線は投影画像のコントラストを低減し、3次元再構成でアーティファクトを導入する。 本稿では,従来の手法と学習に基づく手法を組み合わせて,検出器に到達した前方散乱を同時に推定する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-08T10:47:37Z)
• A Coupled Manifold Optimization Framework to Jointly Model the Functional Connectomics and Behavioral Data Spaces [5.382679710017696]
  本稿では,コホートに共通する低次元行列多様体にfMRIデータを投影する結合多様体最適化フレームワークを提案する。 患者固有の負荷は、同時に第2の非線形多様体を介して、興味の行動尺度にマップされる。 自閉症スペクトラム障害58例の安静時fMRIの枠組みを検証した。
  論文  参考訳（メタデータ） (2020-07-03T20:12:51Z)
• Double/Debiased Machine Learning for Dynamic Treatment Effects via g-Estimation [25.610534178373065]
  複数の治療が時間とともに割り当てられる場合の設定における治療効果の推定について検討する。 本稿では、治療の動的効果を推定するために、ダブル/デバイアスの機械学習フレームワークの拡張を提案する。
  論文  参考訳（メタデータ） (2020-02-17T22:32:34Z)

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。