論文の概要: Tightening Bounds on Probabilities of Causation By Merging Datasets
- arxiv url: http://arxiv.org/abs/2310.08406v1
- Date: Thu, 12 Oct 2023 15:19:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-15 10:51:23.687030
- Title: Tightening Bounds on Probabilities of Causation By Merging Datasets
- Title(参考訳): データセットのマージによる因果確率の微妙な境界
- Authors: Numair Sani, Atalanti A. Mastakouri
- Abstract要約: 因果確率(PoC)は、法律、医療、公共政策における意思決定において基本的な役割を担っている。
余分な情報を活用することでこれらの境界をさらに強化する作業は、数値的境界、固定次元の記号的境界、または同じ処理と結果変数を含む複数のデータセットへのアクセスを必要とする。
ここでは、挑戦的なシナリオのために、PoCに象徴的な境界を提供します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Probabilities of Causation (PoC) play a fundamental role in decision-making
in law, health care and public policy. Nevertheless, their point identification
is challenging, requiring strong assumptions, in the absence of which only
bounds can be derived. Existing work to further tighten these bounds by
leveraging extra information either provides numerical bounds, symbolic bounds
for fixed dimensionality, or requires access to multiple datasets that contain
the same treatment and outcome variables. However, in many clinical,
epidemiological and public policy applications, there exist external datasets
that examine the effect of different treatments on the same outcome variable,
or study the association between covariates and the outcome variable. These
external datasets cannot be used in conjunction with the aforementioned bounds,
since the former may entail different treatment assignment mechanisms, or even
obey different causal structures. Here, we provide symbolic bounds on the PoC
for this challenging scenario. We focus on combining either two randomized
experiments studying different treatments, or a randomized experiment and an
observational study, assuming causal sufficiency. Our symbolic bounds work for
arbitrary dimensionality of covariates and treatment, and we discuss the
conditions under which these bounds are tighter than existing bounds in
literature. Finally, our bounds parameterize the difference in treatment
assignment mechanism across datasets, allowing the mechanisms to vary across
datasets while still allowing causal information to be transferred from the
external dataset to the target dataset.
- Abstract(参考訳): 因果確率(PoC)は、法律、医療、公共政策における意思決定において基本的な役割を果たす。
それにもかかわらず、それらの点同定は困難であり、境界のみが導出できるような強い仮定を必要とする。
余分な情報を活用することでこれらの境界をさらに強化する作業は、固定次元の数値境界、あるいは同じ処理と結果変数を含む複数のデータセットへのアクセスを必要とする。
しかし、多くの臨床、疫学、公共政策の応用では、異なる治療が同じ結果変数に与える影響を調べる外部データセットや、共変量と結果変数の関係を研究するデータセットが存在する。
これらの外部データセットは、前者が異なる治療割り当て機構を必要とするか、あるいは異なる因果構造に従うため、前述の境界と併用することはできない。
ここでは、この挑戦的なシナリオに対して、PoCに象徴的な境界を提供します。
本研究では,2つのランダム化実験,あるいはランダム化実験と観察実験を組み合わせることに焦点を当てた。
我々のシンボリック境界は共変量と処理の任意の次元に作用し、これらの境界が文学における既存の境界よりも密接な条件について論じる。
最後に、データセット間の処理割り当てメカニズムの違いをパラメータ化して、外部データセットからターゲットデータセットに因果情報を転送しながら、データセット間でメカニズムを変更できるようにします。
関連論文リスト
- Identifying perturbation targets through causal differential networks [23.568795598997376]
本稿では,生物学的システムの変更に責任を持つ変数を同定する因果性に着想を得たアプローチを提案する。
まず、観測データと干渉データからノイズの多い因果グラフを推定する。
次に、これらのグラフ間の差分を、追加の統計的特徴とともに、介入された変数の集合にマッピングすることを学ぶ。
論文 参考訳(メタデータ) (2024-10-04T12:48:21Z) - Meta-Learners for Partially-Identified Treatment Effects Across Multiple Environments [67.80453452949303]
観察データから条件平均治療効果(CATE)を推定することは、パーソナライズされた医療など多くの応用に関係している。
ここでは、観測データが複数の環境からやってくる広範囲な環境に焦点を当てる。
任意の機械学習モデルと組み合わせて使用可能な境界を推定するために、異なるモデルに依存しない学習者(いわゆるメタ学習者)を提案する。
論文 参考訳(メタデータ) (2024-06-04T16:31:43Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - 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) - Identifiability Guarantees for Causal Disentanglement from Soft
Interventions [26.435199501882806]
因果解離は因果モデルを通して相互に関係する潜伏変数を用いてデータの表現を明らかにすることを目的としている。
本稿では,各介入が潜伏変数のメカニズムを変えることにより,未ペアの観測データと介入データが利用可能となるシナリオに焦点を当てる。
因果変数が完全に観測されると、忠実性の仮定の下で因果モデルを特定するために統計的に一貫したアルゴリズムが開発された。
論文 参考訳(メタデータ) (2023-07-12T15:39:39Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳(メタデータ) (2023-06-01T10:51:58Z) - Bounding probabilities of causation through the causal marginal problem [12.542533707005092]
因果関係の確率は、法律、医療、公共政策における意思決定において基本的な役割を担っている。
多くの臨床試験や公共政策評価ケースでは、異なる治療が同じ結果変数に与える影響を調べる独立したデータセットが存在する。
本稿では、このような独立したデータセットから構築されたSCM間の対実的整合性を示すことにより、因果関係の確率に対する既存の限界を著しく厳格化する方法について概説する。
論文 参考訳(メタデータ) (2023-04-04T12:16:38Z) - BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。
BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
論文 参考訳(メタデータ) (2022-06-03T16:25:48Z) - The interventional Bayesian Gaussian equivalent score for Bayesian
causal inference with unknown soft interventions [0.0]
ゲノミクスのような特定の環境では、不均一な研究条件からのデータがあり、研究変数のサブセットのみに関連するソフトな(部分的な)介入がある。
観察データと介入データとの混合に対する介入BGeスコアを定義し,介入の目的と効果が不明である可能性がある。
論文 参考訳(メタデータ) (2022-05-05T12:32:08Z) - Obtaining Causal Information by Merging Datasets with MAXENT [12.64433334351049]
我々は,すべての変数を共同で観察することなく,因果的知識の獲得方法について論じる。
共同創設者の存在下での対象変数に対する治療の介入分布と平均因果効果の限界を導出する。
論文 参考訳(メタデータ) (2021-07-15T23:16:36Z) - Multi-Source Causal Inference Using Control Variates [81.57072928775509]
本稿では,複数のデータソースから因果効果を推定するアルゴリズムを提案する。
理論的には、これはATE推定値の分散を減少させる。
このフレームワークを結果選択バイアスの下で観測データからの推論に適用する。
論文 参考訳(メタデータ) (2021-03-30T21:20:51Z)
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。