論文の概要: Instrumental Variable Estimation for Causal Inference in Longitudinal
Data with Time-Dependent Latent Confounders
- arxiv url: http://arxiv.org/abs/2312.07175v1
- Date: Tue, 12 Dec 2023 11:18:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 16:26:46.687395
- Title: Instrumental Variable Estimation for Causal Inference in Longitudinal
Data with Time-Dependent Latent Confounders
- Title（参考訳）: 時間依存型共同設立者による縦断データにおける因果推論のインスツルメンタル変数推定
- Authors: Debo Cheng, Ziqi Xu, Jiuyong Li, Lin Liu, Jixue Liu, Wentao Gao and
Thuc Duy Le (UniSA STEM, University of South Australia, Adelaide, SA,
Australia)
- Abstract要約: 時系列観測データからの因果推論は、時間依存の共同設立者を特定するのが困難であるため、難しい問題である。
本稿では,時間依存型共同設立者によるデータから,時間依存型インスツルメンタルファクターモデル(TIFM)を提案する。
- 参考スコア（独自算出の注目度）: 18.290717457029178
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal inference from longitudinal observational data is a challenging
problem due to the difficulty in correctly identifying the time-dependent
confounders, especially in the presence of latent time-dependent confounders.
Instrumental variable (IV) is a powerful tool for addressing the latent
confounders issue, but the traditional IV technique cannot deal with latent
time-dependent confounders in longitudinal studies. In this work, we propose a
novel Time-dependent Instrumental Factor Model (TIFM) for time-varying causal
effect estimation from data with latent time-dependent confounders. At each
time-step, the proposed TIFM method employs the Recurrent Neural Network (RNN)
architecture to infer latent IV, and then uses the inferred latent IV factor
for addressing the confounding bias caused by the latent time-dependent
confounders. We provide a theoretical analysis for the proposed TIFM method
regarding causal effect estimation in longitudinal data. Extensive evaluation
with synthetic datasets demonstrates the effectiveness of TIFM in addressing
causal effect estimation over time. We further apply TIFM to a climate dataset
to showcase the potential of the proposed method in tackling real-world
problems.
- Abstract（参考訳）: 経年的観測データからの因果推論は、特に潜在時間依存の共起者の存在下で、時間依存の共起者を正しく同定することが困難であるため、難しい問題である。
インストゥルメンタル変数(iv)は潜伏する共同設立者問題に対処する強力なツールであるが、従来のivテクニックでは、縦断研究において潜伏する時間依存共同設立者を扱うことはできない。
本研究では,潜在時間依存型共同創設者のデータから時間変動因果効果を推定するための新しい時間依存型インストゥルメンタルファクターモデル(tifm)を提案する。
提案手法では,遅延IVを推論するためにリカレントニューラルネットワーク(RNN)アーキテクチャを用い,遅延IV因子を推定し,遅延IV因子を潜在時間依存的共同設立者によって引き起こされる境界バイアスに対処する。
縦断データにおける因果効果推定に関するTIFM法の理論解析を行った。
人工データセットによる広範囲な評価は、時間的因果効果推定におけるTIFMの有効性を示す。
さらに、TIFMを気候データセットに適用し、実際の問題に取り組む際の提案手法の可能性を示す。
関連論文リスト
- Causal Discovery from Time-Series Data with Short-Term Invariance-Based Convolutional Neural Networks [12.784885649573994]
時系列データによる因果発見は、スライス内(同時)とスライス間(時差)の両方の因果関係を捉えることを目的としている。
我々は, textbfShort-textbfTerm textbfInvariance に着目した勾配に基づく因果探索手法 STIC を提案する。
論文 参考訳（メタデータ） (2024-08-15T08:43:28Z) - On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。
ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。
我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-24T08:08:05Z) - Time Evidence Fusion Network: Multi-source View in Long-Term Time Series Forecasting [22.550778677778112]
本稿では,情報融合の観点から,Time Evidence Fusion Network (TEFN) という新しいバックボーンアーキテクチャを提案する。
提案したTEFNは精度、効率、安定性、解釈可能性のバランスをとり、時系列予測に望ましい解である。
論文 参考訳（メタデータ） (2024-05-10T12:10:22Z) - Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。
本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。
そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
論文 参考訳（メタデータ） (2024-01-17T07:58:18Z) - TC-LIF: A Two-Compartment Spiking Neuron Model for Long-Term Sequential
Modelling [54.97005925277638]
潜在的な可能性や危険に関連する感覚的手がかりの同定は、長期間の遅延によって有用な手がかりを分離する無関係な事象によってしばしば複雑になる。
SNN(State-of-the-art spiking Neural Network)は、遠方のキュー間の長期的な時間的依存関係を確立する上で、依然として困難な課題である。
そこで本研究では,T-LIFとよばれる,生物学的にインスパイアされたTwo-compartment Leaky Integrate- and-Fireのスパイキングニューロンモデルを提案する。
論文 参考訳（メタデータ） (2023-08-25T08:54:41Z) - DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。
具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。
効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
論文 参考訳（メタデータ） (2023-03-12T03:40:21Z) - Estimating Treatment Effects from Irregular Time Series Observations
with Hidden Confounders [15.41689729746877]
実世界の時系列には、大規模で不規則で断続的な時系列観測が含まれる。
隠れた共同創設者の存在は 偏見のある治療推定につながる
不規則なサンプルによる連続的な時間設定では、因果関係のダイナミクスを直接扱うことは困難である。
論文 参考訳（メタデータ） (2023-03-04T04:55:34Z) - Estimating Treatment Effects in Continuous Time with Hidden Confounders [8.292249583600809]
隠れた共同創設者の存在下での縦断的な治療効果の推定は、依然として極めて難しい問題である。
制御微分方程式とリプシッツ拘束畳み込み演算を用いた潜在因子モデル構築のためのニューラル微分方程式の最近の進歩
合成データセットと実世界のデータセットの両方の実験は、隠れた共同創設者の存在下での治療効果を推定するための連続的な時間的手法の可能性を強調している。
論文 参考訳（メタデータ） (2023-02-19T00:28:20Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳（メタデータ） (2022-06-16T17:15:15Z) - Disentangling Observed Causal Effects from Latent Confounders using
Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。
我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文 参考訳（メタデータ） (2021-01-17T07:48:45Z)
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。