論文の概要: Disentangle Estimation of Causal Effects from Cross-Silo Data
- arxiv url: http://arxiv.org/abs/2401.02154v1
- Date: Thu, 4 Jan 2024 09:05:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-05 15:34:40.231996
- Title: Disentangle Estimation of Causal Effects from Cross-Silo Data
- Title（参考訳）: クロスサイロデータによる因果効果の遠方性推定
- Authors: Yuxuan Liu, Haozhao Wang, Shuang Wang, Zhiming He, Wenchao Xu,
Jialiang Zhu, Fan Yang
- Abstract要約: 本稿では,モデルパラメータのシームレスなクロスサイロ伝送を容易にするために設計された,革新的なアンタングルアーキテクチャを提案する。
種々の欠落領域におけるバイアスを効果的に緩和するために,グローバルな制約を方程式に導入する。
我々の手法は最先端のベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 14.684584362172666
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating causal effects among different events is of great importance to
critical fields such as drug development. Nevertheless, the data features
associated with events may be distributed across various silos and remain
private within respective parties, impeding direct information exchange between
them. This, in turn, can result in biased estimations of local causal effects,
which rely on the characteristics of only a subset of the covariates. To tackle
this challenge, we introduce an innovative disentangle architecture designed to
facilitate the seamless cross-silo transmission of model parameters, enriched
with causal mechanisms, through a combination of shared and private branches.
Besides, we introduce global constraints into the equation to effectively
mitigate bias within the various missing domains, thereby elevating the
accuracy of our causal effect estimation. Extensive experiments conducted on
new semi-synthetic datasets show that our method outperforms state-of-the-art
baselines.
- Abstract（参考訳）: 異なる事象における因果効果の推定は、薬物開発のような重要な分野において非常に重要である。
それでも、イベントに関連するデータ機能は、さまざまなサイロに分散し、各パーティ内でプライベートであり、それらの間の直接的な情報交換を妨げる可能性がある。
これにより、局所因果効果の偏りのある推定が可能となり、これは共変量のサブセットのみの特性に依存する。
この課題に対処するために,モデルパラメータのシームレスなクロスサイロ伝送を容易にするために,共有ブランチとプライベートブランチを組み合わせることで,因果メカニズムに富んだ革新的なアンタングルアーキテクチャを導入する。
さらに,この方程式に大域的な制約を導入し,欠落領域内のバイアスを効果的に軽減し,因果効果推定の精度を高める。
新しい半合成データセットで行った広範囲な実験により、この手法は最先端のベースラインよりも優れていた。
関連論文リスト
- Do Finetti: On Causal Effects for Exchangeable Data [45.96632286841583]
データをi.i.d.に含まない環境での因果効果の推定について検討する。
我々は、独立因果関係の仮定を満たす交換可能なデータに焦点を当てる。
論文 参考訳（メタデータ） (2024-05-29T07:31:18Z) - Deriving Causal Order from Single-Variable Interventions: Guarantees & Algorithm [14.980926991441345]
介入データを含むデータセットは,データ分布に関する現実的な仮定の下で効果的に抽出可能であることを示す。
観察的および介入的設定における各変数の限界分布の比較に依拠する介入忠実性を導入する。
また、多数の単一変数の介入を含むデータセットから因果順序を推測するアルゴリズムであるIntersortを導入する。
論文 参考訳（メタデータ） (2024-05-28T16:07:17Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳（メタデータ） (2024-01-25T09:18:51Z) - Variation-based Cause Effect Identification [5.744133015573047]
本稿では、因果発見のための変分に基づく原因影響同定(VCEI)フレームワークを提案する。
我々の枠組みは、既存の非循環因果関係を前提として、原因とメカニズムの独立(ICM)の原理に依存している。
因果方向では、このような変動が効果発生機構に影響を与えないことが期待されている。
論文 参考訳（メタデータ） (2022-11-22T05:19:12Z) - Learning Infomax and Domain-Independent Representations for Causal
Effect Inference with Real-World Data [9.601837205635686]
上記の問題を解くためにInfomaxとDomain-Independent Representationsを学習する。
提案手法は,因果関係の推論における最先端性能を実現する。
論文 参考訳（メタデータ） (2022-02-22T13:35:15Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - 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) - Domain Adaptative Causality Encoder [52.779274858332656]
我々は,適応因果同定と局所化の課題に対処するために,依存木の特徴と敵対学習を活用する。
我々は、テキストにあらゆる種類の因果関係を統合する新しい因果関係データセット、MedCausを提案する。
論文 参考訳（メタデータ） (2020-11-27T04:14:55Z) - Learning Joint Nonlinear Effects from Single-variable Interventions in
the Presence of Hidden Confounders [9.196779204457059]
隠れた共同設立者の存在下での複数同時介入の効果を推定する手法を提案する。
非線形連続構造因果モデルからデータが生成されるという仮定の下で、同定可能性を証明する。
また,本研究の総合的な実験により,同定可能性の検証や,合成データと実世界データの両方のベースラインに対するアプローチの性能の比較を行う。
論文 参考訳（メタデータ） (2020-05-23T12:52:09Z) - 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。