論文の概要: Local Discovery by Partitioning: Polynomial-Time Causal Discovery Around
Exposure-Outcome Pairs
- arxiv url: http://arxiv.org/abs/2310.17816v2
- Date: Mon, 12 Feb 2024 23:58:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 19:05:32.240140
- Title: Local Discovery by Partitioning: Polynomial-Time Causal Discovery Around
Exposure-Outcome Pairs
- Title(参考訳): パーティショニングによる局所的発見:露光対の多項式時間因果関係の発見
- Authors: Jacqueline Maasch, Weishen Pan, Shantanu Gupta, Volodymyr Kuleshov,
Kyra Gan, Fei Wang
- Abstract要約: 因果発見は観察研究における因果推論に不可欠である。
パーティショニング(LDP)による局所的な発見を提案する。
LDPは制約ベースのプロシージャで、変数を露出-アウトカムペアとの因果関係によってのみ定義されるサブセットに分割する。
- 参考スコア(独自算出の注目度): 19.407268203907034
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Causal discovery is crucial for causal inference in observational studies: it
can enable the identification of valid adjustment sets (VAS) for unbiased
effect estimation. However, global causal discovery is notoriously hard in the
nonparametric setting, with exponential time and sample complexity in the worst
case. To address this, we propose local discovery by partitioning (LDP), a
novel nonparametric local discovery algorithm that is tailored for downstream
inference tasks while avoiding the pretreatment assumption. LDP is a
constraint-based procedure that partitions variables into subsets defined
solely by their causal relation to an exposure-outcome pair. Further, LDP
returns a VAS for the exposure-outcome pair under causal insufficiency and mild
sufficient conditions. Total independence tests is worst-case quadratic in
variable count. Asymptotic theoretical guarantees are numerically validated on
synthetic graphs. Adjustment sets from LDP yield less biased and more precise
average treatment effect estimates than baseline discovery algorithms, with LDP
outperforming on confounder recall, runtime, and test count for VAS discovery.
Further, LDP ran at least 1300x faster than baselines on a benchmark.
- Abstract(参考訳): 因果的発見は、観測研究において因果推論に不可欠であり、不偏効果推定のための有効な調整セット(VAS)の同定を可能にする。
しかし、グローバル因果関係の発見は非パラメトリックな設定では難しいことで有名であり、指数関数的な時間とサンプルの複雑さが最悪の場合である。
そこで本研究では,非パラメトリックな局所探索アルゴリズムであるパーティショニング(LDP)による局所探索を提案する。
LDPは制約ベースのプロシージャで、変数を露出出力ペアに対する因果関係によってのみ定義されたサブセットに分割する。
さらに、LCPは因果不全と軽度の十分な条件下で露光出力対のVASを返却する。
総独立テストは変数数で最悪のケースである。
漸近理論的保証は合成グラフ上で数値的に検証される。
LDPの調整セットは、ベースライン発見アルゴリズムよりもバイアスが少なく、より正確な平均治療効果の推定値が得られる。
さらに、ldpはベンチマークのベースラインよりも少なくとも1300倍高速だった。
関連論文リスト
- Asymptotically Unbiased Instance-wise Regularized Partial AUC
Optimization: Theory and Algorithm [101.44676036551537]
One-way partial AUC (OPAUC) と Two-way partial AUC (TPAUC) はバイナリ分類器の平均性能を測定する。
既存の手法のほとんどはPAUCをほぼ最適化するしかなく、制御不能なバイアスにつながる。
本稿では,分散ロバスト最適化AUCによるPAUC問題の簡易化について述べる。
論文 参考訳(メタデータ) (2022-10-08T08:26:22Z) - Scaling up Stochastic Gradient Descent for Non-convex Optimisation [5.908471365011942]
本稿では,共有並列計算問題に対する新しいアプローチを提案する。
2つの戦略を統一されたフレームワークに組み合わせることで、DPSGDはより良い取引計算フレームワークになります。
深層学習(DRL)問題と深層学習(DRL)問題(アドバンテージアクター - A2C)についてDPSGDにより潜在ゲインを達成できる。
論文 参考訳(メタデータ) (2022-10-06T13:06:08Z) - Doubly Robust Distributionally Robust Off-Policy Evaluation and Learning [59.02006924867438]
オフ政治評価と学習(OPE/L)は、オフラインの観察データを使用してより良い意思決定を行う。
近年の研究では、分散ロバストなOPE/L (DROPE/L) が提案されているが、この提案は逆正則重み付けに依存している。
KL分散不確実性集合を用いたDROPE/Lの最初のDRアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-02-19T20:00:44Z) - Accelerated and instance-optimal policy evaluation with linear function
approximation [17.995515643150657]
既存のアルゴリズムはこれらの下界の少なくとも1つと一致しない。
我々は,両下界を同時に一致させる高速時間差分アルゴリズムを開発し,インスタンス最適性という強い概念を実現する。
論文 参考訳(メタデータ) (2021-12-24T17:21:04Z) - Determinantal point processes based on orthogonal polynomials for
sampling minibatches in SGD [0.0]
勾配降下(SGD)は機械学習の基盤である。
デフォルトのミニバッチ構成では、望ましいサイズのサブセットを一様にサンプリングする。
DPPと制御された近似の列が、一様サンプリングよりもバッチサイズで高速に崩壊するばらつきを持つ勾配推定器にどのように影響するかを示す。
論文 参考訳(メタデータ) (2021-12-11T15:09:19Z) - Causal Order Identification to Address Confounding: Binary Variables [4.56877715768796]
本稿では,線形非ガウス非巡回モデル(LiNGAM)の拡張について考察する。
LiNGAMは、変数が雑音を含む一連の線形方程式で表されるとき、データセットから変数間の因果順序を決定する。
論文 参考訳(メタデータ) (2021-08-10T22:09:43Z) - LSDAT: Low-Rank and Sparse Decomposition for Decision-based Adversarial
Attack [74.5144793386864]
LSDATは、入力サンプルのスパース成分と対向サンプルのスパース成分によって形成される低次元部分空間における摂動を加工する。
LSDは画像ピクセル領域で直接動作し、スパース性などの非$ell$制約が満たされることを保証します。
論文 参考訳(メタデータ) (2021-03-19T13:10:47Z) - On the Practicality of Differential Privacy in Federated Learning by
Tuning Iteration Times [51.61278695776151]
フェデレートラーニング(FL)は、分散クライアント間で機械学習モデルを協調的にトレーニングする際のプライバシ保護でよく知られている。
最近の研究では、naive flは勾配リーク攻撃の影響を受けやすいことが指摘されている。
ディファレンシャルプライバシ(dp)は、勾配漏洩攻撃を防御するための有望な対策として現れる。
論文 参考訳(メタデータ) (2021-01-11T19:43:12Z) - On the Convergence Rate of Projected Gradient Descent for a
Back-Projection based Objective [58.33065918353532]
我々は、最小二乗(LS)の代替として、バックプロジェクションに基づく忠実度項を考える。
LS項ではなくBP項を用いることで最適化アルゴリズムの繰り返しを少なくすることを示す。
論文 参考訳(メタデータ) (2020-05-03T00:58:23Z) - Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond [69.83813153444115]
因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。
Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。
本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
論文 参考訳(メタデータ) (2019-12-30T14:42:52Z)
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。