Fugu-MT 論文翻訳(概要): Causal inference with Machine Learning-Based Covariate Representation

論文の概要: Causal inference with Machine Learning-Based Covariate Representation

arxiv url: http://arxiv.org/abs/2311.01709v1
Date: Fri, 3 Nov 2023 04:36:36 GMT
ステータス: 処理完了
システム内更新日: 2023-11-06 15:10:35.132651
Title: Causal inference with Machine Learning-Based Covariate Representation
Title（参考訳）: 機械学習に基づく共変量表現による因果推論
Authors: Yuhang Wu, Jinghai He, Zeyu Zheng
Abstract要約: 歴史的実験や観測データを効果的に活用できる機械学習支援共変量表現手法を提案する。提案手法の信頼性と性能保証を統計的に証明する。
参考スコア（独自算出の注目度）: 23.387436348323487
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Utilizing covariate information has been a powerful approach to improve the efficiency and accuracy for causal inference, which support massive amount of randomized experiments run on data-driven enterprises. However, state-of-art approaches can become practically unreliable when the dimension of covariate increases to just 50, whereas experiments on large platforms can observe even higher dimension of covariate. We propose a machine-learning-assisted covariate representation approach that can effectively make use of historical experiment or observational data that are run on the same platform to understand which lower dimensions can effectively represent the higher-dimensional covariate. We then propose design and estimation methods with the covariate representation. We prove statistically reliability and performance guarantees for the proposed methods. The empirical performance is demonstrated using numerical experiments.
Abstract（参考訳）: 共変量情報を活用することは因果推論の効率と精度を向上させるための強力なアプローチであり、データ駆動型企業で大量のランダム化実験をサポートする。しかし、共変量の次元がわずか50に増加すると、最先端のアプローチは事実上信頼性が低下し、大きなプラットフォームでの実験ではより高次元の共変量の観測が可能となる。本研究では,同じプラットフォーム上で実行されている履歴実験や観測データを効果的に活用し,より高次元の共変数を効果的に表現できるような機械学習支援型共変数表現手法を提案する。次に,共変量表現を用いた設計と推定手法を提案する。提案手法の統計的信頼性と性能保証を実証する。数値実験により実験性能を実証した。

関連論文リスト

Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文参考訳（メタデータ） (2025-02-11T19:24:09Z)
Trustworthy Evaluation of Generative AI Models [6.653749938600871]
本研究では, 相対的性能差の非バイアス推定器を用いて, 2つの生成モデルを比較する手法を提案する。提案手法は効率が高く,並列計算と事前保存中間結果により高速化できる。統計的信頼度のある実画像データセット上での拡散モデルの評価において,本手法の有効性を示す。
論文参考訳（メタデータ） (2025-01-31T05:31:05Z)
Exogenous Matching: Learning Good Proposals for Tractable Counterfactual Estimation [1.9662978733004601]
本稿では, 抽出可能かつ効率的な対実表現推定のための重要サンプリング手法を提案する。対物推定器の共通上限を最小化することにより、分散最小化問題を条件分布学習問題に変換する。構造因果モデル (Structure Causal Models, SCM) の様々なタイプと設定による実験による理論的結果の検証と, 対実推定タスクにおける性能の実証を行った。
論文参考訳（メタデータ） (2024-10-17T03:08:28Z)
Evaluating Causal Inference Methods [0.4588028371034407]
我々は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入する。我々の研究は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入している。
論文参考訳（メタデータ） (2022-02-09T00:21:22Z)
Efficient training of lightweight neural networks using Online Self-Acquired Knowledge Distillation [51.66271681532262]
オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
論文参考訳（メタデータ） (2021-08-26T14:01:04Z)
Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
論文参考訳（メタデータ） (2021-05-11T03:38:16Z)
DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。よりデータ効率の高いifOアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-31T23:46:32Z)
Sufficient Dimension Reduction for Average Causal Effect Estimation [21.029760577643554]
多数の共変量を持つことは因果効果推定の品質に悪影響を及ぼす可能性がある。教師付きカーネル次元削減法を用いて低次元表現を探索するアルゴリズムを開発した。提案アルゴリズムは,2つの半合成および3つの実世界のデータセットを用いて評価する。
論文参考訳（メタデータ） (2020-09-14T13:58:57Z)
Efficient Ensemble Model Generation for Uncertainty Estimation with Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文参考訳（メタデータ） (2020-05-21T16:08:38Z)
Almost-Matching-Exactly for Treatment Effect Estimation under Network Interference [73.23326654892963]
本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
論文参考訳（メタデータ） (2020-03-02T15:21:20Z)

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。