論文の概要: Counterfactual Prediction Under Selective Confounding

• arxiv url: http://arxiv.org/abs/2310.14064v1
• Date: Sat, 21 Oct 2023 16:54:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 02:02:17.011185
• Title: Counterfactual Prediction Under Selective Confounding
• Title（参考訳）: 選択的畳み込みによる反事実予測
• Authors: Sohaib Kiani, Jared Barton, Jon Sushinsky, Lynda Heimbach, Bo Luo
• Abstract要約: この研究は、全ての共同創設者が知られていない場合、バイナリ処理とその結果の間の因果推論を行うという課題に対処する。 我々は、希望する処置の下ですべての共同創設者を知るという要求を緩和し、選択的共起(Selective Confounding)と呼ぶ。 提案手法の有効性に関する理論的誤差境界と実証的証拠の両方を,実世界と実世界の子配置データを用いて提示する。
• 参考スコア（独自算出の注目度）: 3.6860485638625673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This research addresses the challenge of conducting interpretable causal inference between a binary treatment and its resulting outcome when not all confounders are known. Confounders are factors that have an influence on both the treatment and the outcome. We relax the requirement of knowing all confounders under desired treatment, which we refer to as Selective Confounding, to enable causal inference in diverse real-world scenarios. Our proposed scheme is designed to work in situations where multiple decision-makers with different policies are involved and where there is a re-evaluation mechanism after the initial decision to ensure consistency. These assumptions are more practical to fulfill compared to the availability of all confounders under all treatments. To tackle the issue of Selective Confounding, we propose the use of dual-treatment samples. These samples allow us to employ two-step procedures, such as Regression Adjustment or Doubly-Robust, to learn counterfactual predictors. We provide both theoretical error bounds and empirical evidence of the effectiveness of our proposed scheme using synthetic and real-world child placement data. Furthermore, we introduce three evaluation methods specifically tailored to assess the performance in child placement scenarios. By emphasizing transparency and interpretability, our approach aims to provide decision-makers with a valuable tool. The source code repository of this work is located at https://github.com/sohaib730/CausalML.
• Abstract（参考訳）: 本研究は,2次治療の因果推論と,すべての共同創設者が知られていない場合の結果の解釈的因果推論を行うという課題に対処する。 共同設立者は治療と結果の両方に影響を及ぼす要因である。 私たちは、様々な現実世界のシナリオで因果推論を可能にするために、望ましい治療の下ですべての共同創設者を知ることの必要性を緩和します。 提案手法は, 異なる方針を持つ複数の意思決定者が関与する状況と, 整合性を確保するための初期決定後に再評価機構が存在する状況で機能するよう設計されている。 これらの仮定は、すべての治療の下ですべての共同ファウンダーが利用できることと比較して、より実践的である。 Selective Confounding の課題に対処するために, 二重処理サンプルの利用を提案する。 これらのサンプルは、回帰調整や二重ロバストといった2段階の手順を駆使して、反事実予測を学べる。 本研究では,合成および実世界の児童配置データを用いて,提案手法の有効性を実証的に証明する。 さらに,子どもの配置シナリオにおけるパフォーマンス評価に特化した3つの評価手法を提案する。 透明性と解釈性を強調し、意思決定者に価値のあるツールを提供することを目的としています。 この作業のソースコードリポジトリはhttps://github.com/sohaib730/CausalMLにある。

関連論文リスト

• Automating the Selection of Proxy Variables of Unmeasured Confounders [16.773841751009748]
  既存のプロキシ変数推定器を拡張して、治療と結果の間に複数の未測定の共同創設者が存在するシナリオに対応する。 本稿では、プロキシ変数の選択と因果効果の偏りのない推定のための2つのデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2024-05-25T08:53:49Z)
• Explaining by Imitating: Understanding Decisions by Interpretable Policy Learning [72.80902932543474]
  観察されたデータから人間の行動を理解することは、意思決定における透明性と説明責任にとって重要である。 意思決定者の方針をモデル化することが困難である医療などの現実的な設定を考えてみましょう。 本稿では, 設計による透明性の向上, 部分観測可能性の確保, 完全にオフラインで動作可能なデータ駆動型意思決定行動の表現を提案する。
  論文  参考訳（メタデータ） (2023-10-28T13:06:14Z)
• In Search of Insights, Not Magic Bullets: Towards Demystification of the Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
  本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。 選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
  論文  参考訳（メタデータ） (2023-02-06T16:55:37Z)
• Improved Policy Evaluation for Randomized Trials of Algorithmic Resource Allocation [54.72195809248172]
  提案する新しい概念を応用した新しい推定器を提案する。 我々は,このような推定器が,サンプル手段に基づく一般的な推定器よりも精度が高いことを理論的に証明した。
  論文  参考訳（メタデータ） (2023-02-06T05:17:22Z)
• Causal Inference under Data Restrictions [0.0]
  この論文は、不確実性とデータ制限の下での現代の因果推論に焦点を当てている。 これには、ネオアジュバント臨床試験、分散データネットワーク、堅牢な個別化意思決定へのアプリケーションが含まれる。
  論文  参考訳（メタデータ） (2023-01-20T20:14:32Z)
• Optimal Treatment Regimes for Proximal Causal Learning [7.672587258250301]
  そこで本研究では,橋梁における結果と治療の相違に基づく最適な個別化治療体制を提案する。 この新たな最適治療体制の価値関数は,文献上に存在するものよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-19T14:29:25Z)
• Efficient Real-world Testing of Causal Decision Making via Bayesian Experimental Design for Contextual Optimisation [12.37745209793872]
  文脈的意思決定の評価と改善のためのデータ収集のためのモデルに依存しないフレームワークを提案する。 過去の治療課題の後悔をデータ効率で評価するために,本手法を用いた。
  論文  参考訳（メタデータ） (2022-07-12T01:20:11Z)
• Empirical Estimates on Hand Manipulation are Recoverable: A Step Towards Individualized and Explainable Robotic Support in Everyday Activities [80.37857025201036]
  ロボットシステムの鍵となる課題は、他のエージェントの振る舞いを理解することである。 正しい推論の処理は、(衝突)因子が実験的に制御されない場合、特に困難である。 人に関する観察研究を行うために必要なツールをロボットに装備することを提案する。
  論文  参考訳（メタデータ） (2022-01-27T22:15:56Z)
• Off-policy Evaluation in Infinite-Horizon Reinforcement Learning with Latent Confounders [62.54431888432302]
  無限水平エルゴードマルコフ決定過程におけるOPE問題について考察する。 我々は、状態と行動の潜在変数モデルのみを考慮すれば、政策値が政治外のデータから特定できることを示す。
  論文  参考訳（メタデータ） (2020-07-27T22:19:01Z)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。