論文の概要: Bounds on Representation-Induced Confounding Bias for Treatment Effect Estimation

• arxiv url: http://arxiv.org/abs/2311.11321v2
• Date: Thu, 11 Apr 2024 16:32:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-12 18:57:05.766684
• Title: Bounds on Representation-Induced Confounding Bias for Treatment Effect Estimation
• Title（参考訳）: 処理効果推定のための表現誘発共起バイアスの境界
• Authors: Valentyn Melnychuk, Dennis Frauen, Stefan Feuerriegel,
• Abstract要約: 条件平均処理効果(CATE)推定のための最先端手法は、表現学習を広く活用する。 ここでは、(潜在的に制約された)低次元表現による低サンプルCATE推定のばらつきを低減する。 低次元の表現は、観測された共同設立者に関する情報を失う可能性があり、その結果、CATE推定のための表現学習の妥当性が典型的に侵害されるため、バイアスにつながる。
• 参考スコア（独自算出の注目度）: 27.385663284378854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-of-the-art methods for conditional average treatment effect (CATE) estimation make widespread use of representation learning. Here, the idea is to reduce the variance of the low-sample CATE estimation by a (potentially constrained) low-dimensional representation. However, low-dimensional representations can lose information about the observed confounders and thus lead to bias, because of which the validity of representation learning for CATE estimation is typically violated. In this paper, we propose a new, representation-agnostic refutation framework for estimating bounds on the representation-induced confounding bias that comes from dimensionality reduction (or other constraints on the representations) in CATE estimation. First, we establish theoretically under which conditions CATE is non-identifiable given low-dimensional (constrained) representations. Second, as our remedy, we propose a neural refutation framework which performs partial identification of CATE or, equivalently, aims at estimating lower and upper bounds of the representation-induced confounding bias. We demonstrate the effectiveness of our bounds in a series of experiments. In sum, our refutation framework is of direct relevance in practice where the validity of CATE estimation is of importance.
• Abstract（参考訳）: 条件平均処理効果(CATE)推定のための最先端手法は、表現学習を広く活用する。 ここでは、(潜在的に制約された)低次元表現による低サンプルCATE推定のばらつきを低減する。 しかし、低次元の表現は、観測された共同設立者に関する情報を失う可能性があり、その結果、CATE推定のための表現学習の妥当性が典型的に侵害されるため、バイアスにつながる。 本稿では,CATE推定における次元減少(あるいは表現上の他の制約)から生じる表現誘発共起バイアスの境界を推定する,表現に依存しない新しい難読化フレームワークを提案する。 まず、CATEが低次元(制約付き)表現を非識別する条件を理論的に確立する。 第二に,我々はCATEの部分的同定を行うニューラル・リフューテーション・フレームワークを提案する。 我々は一連の実験において境界の有効性を実証する。 まとめると、我々の難燃フレームワークは、CATE推定の有効性が重要である実践において、直接的な関連性を持っている。

関連論文リスト

• Learning Representations of Instruments for Partial Identification of Treatment Effects [23.811079163083303]
  我々は任意の(潜在的に高次元の)機器を用いて条件平均処理効果(CATE)の限界を推定する。 本稿では,楽器を離散表現空間にマッピングする手法を提案する。 我々は、潜在楽器空間のニューラルネットワーク分割を調整し、厳密な境界を学習する2段階の手順を導出する。
  論文  参考訳（メタデータ） (2024-10-11T16:48:32Z)
• Disentangled Representation Learning with Transmitted Information Bottleneck [57.22757813140418]
  textbfDisTIB (textbfTransmitted textbfInformation textbfBottleneck for textbfDisd representation learning) は情報圧縮と保存のバランスを保った新しい目的である。
  論文  参考訳（メタデータ） (2023-11-03T03:18:40Z)
• Towards Characterizing Domain Counterfactuals For Invertible Latent Causal Models [15.817239008727789]
  本研究では,異なるドメインで生成された場合,サンプルがどのようなものであったのかを仮定した,ドメイン反事実と呼ばれる特定のタイプの因果クエリを解析する。 本研究では, 潜在構造因果モデル (SCM) の回復は, ドメイン・デファクト・デファクトを推定するために不要であることを示す。 また、モデル生成過程を単純化し、生成モデル推定を行うための理論的基盤となる実用的なアルゴリズムも開発する。
  論文  参考訳（メタデータ） (2023-06-20T04:19:06Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Spectral Representation Learning for Conditional Moment Models [33.34244475589745]
  本研究では,不適切度を制御した表現を自動学習する手法を提案する。 本手法は,条件付き期待演算子のスペクトル分解によって定義される線形表現を近似する。 この表現をデータから効率的に推定できることを示し、得られた推定値に対してL2整合性を確立する。
  論文  参考訳（メタデータ） (2022-10-29T07:48:29Z)
• Moderately-Balanced Representation Learning for Treatment Effects with Orthogonality Information [14.040918087553177]
  平均治療効果(ATE)を観測データから推定することは選択バイアスにより困難である。 本稿では,中等度にバランスの取れた表現学習フレームワークを提案する。 このフレームワークは、マルチタスク学習によるオーバーバランスから表現を保護する。
  論文  参考訳（メタデータ） (2022-09-05T13:20:12Z)
• Identifiable Energy-based Representations: An Application to Estimating Heterogeneous Causal Effects [83.66276516095665]
  条件付き平均治療効果(CATEs)は、多数の個体にまたがる不均一性について理解することができる。 典型的なCATE学習者は、CATEが識別可能であるために、すべての共起変数が測定されていると仮定する。 本稿では,ノイズコントラッシブ損失関数を用いて,変数の低次元表現を学習するエネルギーベースモデルを提案する。
  論文  参考訳（メタデータ） (2021-08-06T10:39:49Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• Deep Dimension Reduction for Supervised Representation Learning [51.10448064423656]
  本研究は,本質的な特徴を持つ学習表現の次元削減手法を提案する。 提案手法は, 十分次元還元法の非パラメトリック一般化である。 推定された深度非パラメトリック表現は、その余剰リスクが0に収束するという意味で一貫したものであることを示す。
  論文  参考訳（メタデータ） (2020-06-10T14:47:43Z)

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。