論文の概要: Scalable Counterfactual Distribution Estimation in Multivariate Causal Models

• arxiv url: http://arxiv.org/abs/2311.00927v1
• Date: Thu, 2 Nov 2023 01:45:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-03 15:17:53.376015
• Title: Scalable Counterfactual Distribution Estimation in Multivariate Causal Models
• Title（参考訳）: 多変量因果モデルにおけるスケーラブルな対実分布推定
• Authors: Thong Pham, Shohei Shimizu, Hideitsu Hino, Tam Le
• Abstract要約: 多変量因果モデルにおける多量の利害関係の対実的共同分布を推定する問題を考察する。 本稿では,ロバストな1次元部分空間を利用して,両問題を同時に緩和する手法を提案する。 我々は,合成データと実世界のデータの両方において,既存の手法に対するアプローチの利点を実証する。
• 参考スコア（独自算出の注目度）: 12.88471300865496
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of estimating the counterfactual joint distribution of multiple quantities of interests (e.g., outcomes) in a multivariate causal model extended from the classical difference-in-difference design. Existing methods for this task either ignore the correlation structures among dimensions of the multivariate outcome by considering univariate causal models on each dimension separately and hence produce incorrect counterfactual distributions, or poorly scale even for moderate-size datasets when directly dealing with such multivariate causal model. We propose a method that alleviates both issues simultaneously by leveraging a robust latent one-dimensional subspace of the original high-dimension space and exploiting the efficient estimation from the univariate causal model on such space. Since the construction of the one-dimensional subspace uses information from all the dimensions, our method can capture the correlation structures and produce good estimates of the counterfactual distribution. We demonstrate the advantages of our approach over existing methods on both synthetic and real-world data.
• Abstract（参考訳）: 古典的差分設計から拡張した多変量因果モデルにおいて,複数の利益(例えば結果)の相反的結合分布を推定する問題を考える。 このタスクの既存の方法は、多変量結果の次元間の相関構造を無視して、各次元上の不定因果モデルを別々に検討することで、不正確な反事実分布を生成するか、あるいはそのような多変量因果モデルを直接扱う際に中程度のデータセットであっても、スケールが低くなるかのどちらかである。 本稿では,従来の高次元空間の頑健な1次元部分空間を活用し,その空間上の一変量因果モデルから効率的に推定する手法を提案する。 1次元部分空間の構成は全ての次元から情報を利用するので、この手法は相関構造を捉え、反事実分布を適切に推定することができる。 合成データと実世界のデータの両方において,既存の手法に対するアプローチの利点を実証する。

関連論文リスト

• Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
  拡散モデルは、生成的モデリングに大きな進歩をもたらした。 しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。 本稿では,テキスト・インフルエンス・ファンクション・フレームワークを開発することにより,このような課題に対処することを目的とする。
  論文  参考訳（メタデータ） (2024-10-17T17:59:02Z)
• Inflationary Flows: Calibrated Bayesian Inference with Diffusion-Based Models [0.0]
  本稿では,拡散モデルを用いてベイズ推定を行う方法を示す。 本稿では,新しいノイズスケジュールを用いて,標準的なDBMトレーニングを通じてそのようなマップを学習する方法を示す。 その結果は、低次元の潜在空間上で一意に定義される非常に表現性の高い生成モデルのクラスである。
  論文  参考訳（メタデータ） (2024-07-11T19:58:19Z)
• Modelled Multivariate Overlap: A method for measuring vowel merger [0.0]
  本稿では,母音重複の定量化手法を提案する。 英語の4方言におけるPIN-PEN統合をターゲットとしたコーパス音声データの評価を行った。
  論文  参考訳（メタデータ） (2024-06-24T04:56:26Z)
• Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
  本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。 因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
  論文  参考訳（メタデータ） (2024-06-07T14:29:21Z)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)
• Interaction Models and Generalized Score Matching for Compositional Data [9.797319790710713]
  本稿では, 確率単純度をベースとして, 対の相互作用の一般的なパターンに対応する指数関数型モデルを提案する。 特別の場合として、ディリクレ分布の族や、アッチソンの加法的ロジスティック正規分布がある。 提案手法の高次元解析により, 従来研究されていた全次元領域と同様に, シンプル領域を効率的に処理できることが示唆された。
  論文  参考訳（メタデータ） (2021-09-10T05:29:41Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• A likelihood approach to nonparametric estimation of a singular distribution using deep generative models [4.329951775163721]
  深部生成モデルを用いた特異分布の非パラメトリック推定の可能性について検討する。 我々は、インスタンスノイズでデータを摂動することで、新しい効果的な解が存在することを証明した。 また、より深い生成モデルにより効率的に推定できる分布のクラスを特徴付ける。
  論文  参考訳（メタデータ） (2021-05-09T23:13:58Z)
• Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
  本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。 堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。 異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
  論文  参考訳（メタデータ） (2020-07-21T08:18:06Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。