論文の概要: Adversarial Distribution Balancing for Counterfactual Reasoning

• arxiv url: http://arxiv.org/abs/2311.16616v1
• Date: Tue, 28 Nov 2023 09:12:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-29 19:07:49.467953
• Title: Adversarial Distribution Balancing for Counterfactual Reasoning
• Title（参考訳）: 反事実推論のための逆分布バランス
• Authors: Stefan Schrod, Fabian Sinz, Michael Altenbuchinger
• Abstract要約: 反実的推論のための機械学習アプローチは、非ランダムな治療管理による未観測結果と分布差の両方に対処する必要がある。 本稿では,ADBCR(Adversarial Distribution Balancing for Counterfactal Reasoning)を提案する。 ADBCRは3つのベンチマークデータセット上で最先端の手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The development of causal prediction models is challenged by the fact that the outcome is only observable for the applied (factual) intervention and not for its alternatives (the so-called counterfactuals); in medicine we only know patients' survival for the administered drug and not for other therapeutic options. Machine learning approaches for counterfactual reasoning have to deal with both unobserved outcomes and distributional differences due to non-random treatment administration. Unsupervised domain adaptation (UDA) addresses similar issues; one has to deal with unobserved outcomes -- the labels of the target domain -- and distributional differences between source and target domain. We propose Adversarial Distribution Balancing for Counterfactual Reasoning (ADBCR), which directly uses potential outcome estimates of the counterfactuals to remove spurious causal relations. We show that ADBCR outcompetes state-of-the-art methods on three benchmark datasets, and demonstrate that ADBCR's performance can be further improved if unlabeled validation data are included in the training procedure to better adapt the model to the validation domain.
• Abstract（参考訳）: 因果予測モデルの開発は、結果が適用された(実質的な)介入に対してのみ観察可能であり、その代替品(いわゆる反事実)に留まらず、医学においては、投与された薬物に対する患者の生存を知っており、他の治療の選択肢に留まらずに済むという事実によって挑戦される。 反実的推論のための機械学習アプローチは、非ランダムな治療管理による未観測結果と分布差の両方に対処する必要がある。 監視されていないドメイン適応(UDA)も同様の問題に対処する。対象ドメインのラベルである観測されていない結果と、ソースとターゲットドメインの分散的な差異を扱う必要がある。 本稿では, 因果関係の素因関係を除去するために, 逆因果関係の潜在的結果推定を直接的に利用する, 逆因果推論のための逆分布バランス(Adversarial Distribution Balancing for Counterfactual Reasoning, ADBCR)を提案する。 ADBCRは3つのベンチマークデータセット上で最先端の手法よりも優れており、未ラベル検証データがトレーニング手順に含まれる場合、ADBCRの性能がさらに向上し、モデルの検証領域への適応性が向上することを示す。

関連論文リスト

• Multivariate and Online Transfer Learning with Uncertainty Quantification [1.1588856557881027]
  未治療の歯周炎は、歯の支持組織内で炎症を起こし、歯の喪失を引き起こす。 本稿では,RECaSTベイズ変換学習フレームワークの拡張を提案する。 負の移動は、他の人口集団から共有された情報が、未表現の参加者のモデリングに悪影響を及ぼさないよう緩和される。
  論文  参考訳（メタデータ） (2024-11-19T15:14:13Z)
• Advancing Causal Inference: A Nonparametric Approach to ATE and CATE Estimation with Continuous Treatments [0.0]
  本稿では, 連続処理における平均処理効果 (ATE) と条件平均処理効果 (CATE) を推定するための一般化されたps-BARTモデルを提案する。 ps-BARTモデルの非パラメトリックな性質は、処理と結果変数の間の非線形関係を捉える柔軟性をもたらす。
  論文  参考訳（メタデータ） (2024-09-10T15:34:48Z)
• Unsupervised Domain Adaptation for Brain Vessel Segmentation through Transwarp Contrastive Learning [46.248404274124546]
  教師なし領域適応(Unsupervised domain adapt, UDA)は、ラベル付きソース分布とラベル付きターゲット分布との整合を目的とし、ドメイン不変な予測モデルを得る。 本稿では,ラベル付きソースと非ラベル付きターゲット分布の領域間ギャップを狭めるための,UDAのための簡易かつ強力なコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-23T10:01:22Z)
• Interpretable Causal Inference for Analyzing Wearable, Sensor, and Distributional Data [62.56890808004615]
  本研究では,信頼性とロバストな意思決定を確実にする,分散データ解析の解釈可能な手法を開発した。 ADD MALTSの有用性について,糖尿病リスク軽減のための連続グルコースモニターの有効性について検討した。
  論文  参考訳（メタデータ） (2023-12-17T00:42:42Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Learning Unbiased Transferability for Domain Adaptation by Uncertainty Modeling [107.24387363079629]
  ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていない、あるいはラベル付けされていないが関連するターゲットドメインに知識を転送することを目的としています。 ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。 本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
  論文  参考訳（メタデータ） (2022-06-02T21:58:54Z)
• Ambiguous Dynamic Treatment Regimes: A Reinforcement Learning Approach [0.0]
  動的処理レジーム(DTR)は、このプロセスの形式化のために広く研究されている。 最適な治療体制を効率的に学習するための強化学習法を開発した。
  論文  参考訳（メタデータ） (2021-12-08T20:22:04Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Selecting Treatment Effects Models for Domain Adaptation Using Causal Knowledge [82.5462771088607]
  監視されていないドメイン適応設定下でITE法用に特別に設計された新しいモデル選択メトリックを提案する。 特に,介入効果の予測が対象領域の既知の因果構造を満たすモデルを選択することを提案する。
  論文  参考訳（メタデータ） (2021-02-11T21:03:14Z)
• Split-Treatment Analysis to Rank Heterogeneous Causal Effects for Prospective Interventions [15.443178111068418]
  本研究は,予防的介入の可能性が最も高い個人をランク付けする分割処理分析法を提案する。 プロキシ処理に基づく異種因果効果のランキングは,対象治療の効果に基づく順位と同じであることを示す。
  論文  参考訳（メタデータ） (2020-11-11T16:17:29Z)
• Learning Overlapping Representations for the Estimation of Individualized Treatment Effects [97.42686600929211]
  観測データから代替案の可能性を推定することは難しい問題である。 入力のドメイン不変表現を学習するアルゴリズムは、しばしば不適切であることを示す。 我々は,様々なベンチマークデータセットの最先端性を大幅に向上させる,ディープカーネル回帰アルゴリズムと後続正規化フレームワークを開発した。
  論文  参考訳（メタデータ） (2020-01-14T12:56:29Z)

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。