論文の概要: DoubleMLDeep: Estimation of Causal Effects with Multimodal Data
- arxiv url: http://arxiv.org/abs/2402.01785v1
- Date: Thu, 1 Feb 2024 21:34:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 02:20:23.484623
- Title: DoubleMLDeep: Estimation of Causal Effects with Multimodal Data
- Title（参考訳）: DoubleMLDeep:マルチモーダルデータによる因果効果の推定
- Authors: Sven Klaassen, Jan Teichert-Kluge, Philipp Bach, Victor Chernozhukov,
Martin Spindler, Suhas Vijaykumar
- Abstract要約: 本稿では、因果推論と治療効果推定における非構造化マルチモーダルデータ、すなわちテキストと画像の利用について検討する。
本稿では,DML(Double Machine Learning)フレームワーク,特に部分線形モデルに適応したニューラルネットワークアーキテクチャを提案する。
本論文のさらなる貢献は、因果効果推定の性能評価に使用できる半合成データセットを生成するための新しい手法である。
- 参考スコア（独自算出の注目度）: 7.014959855847738
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper explores the use of unstructured, multimodal data, namely text and
images, in causal inference and treatment effect estimation. We propose a
neural network architecture that is adapted to the double machine learning
(DML) framework, specifically the partially linear model. An additional
contribution of our paper is a new method to generate a semi-synthetic dataset
which can be used to evaluate the performance of causal effect estimation in
the presence of text and images as confounders. The proposed methods and
architectures are evaluated on the semi-synthetic dataset and compared to
standard approaches, highlighting the potential benefit of using text and
images directly in causal studies. Our findings have implications for
researchers and practitioners in economics, marketing, finance, medicine and
data science in general who are interested in estimating causal quantities
using non-traditional data.
- Abstract（参考訳）: 本稿では,因果推論と治療効果推定における非構造化マルチモーダルデータ,すなわちテキストと画像の利用について検討する。
本稿では,DML(Double Machine Learning)フレームワーク,特に部分線形モデルに適応したニューラルネットワークアーキテクチャを提案する。
本論文のさらなる貢献は,テキストや画像の存在下での因果効果推定の性能を評価するために,半合成データセットを生成するための新しい手法である。
提案手法とアーキテクチャは,半合成データセットを用いて評価し,標準的なアプローチと比較し,因果研究においてテキストや画像を直接使用する可能性を強調した。
本研究は, 経済, マーケティング, 金融, 医療, データ科学の研究者や実践者が, 非伝統的なデータを用いた因果量の推定に関心を持つ人に対して意味がある。
関連論文リスト
- Causal Representation Learning with Generative Artificial Intelligence: Application to Texts as Treatments [0.0]
テキストなどの非構造的高次元処理による因果推論の有効性を高める方法について述べる。
本稿では,大規模言語モデル(LLM)のような深層生成モデルを用いて治療を効率的に生成することを提案する。
この真の内部表現の知識は、関心事の処理特徴を乱すのに役立ちます。
論文 参考訳（メタデータ） (2024-10-01T17:46:21Z) - From Text to Treatment Effects: A Meta-Learning Approach to Handling Text-Based Confounding [7.5348062792]
本稿では,共起変数をテキストで表現する場合のメタラーナーの性能について検討する。
共同創設者の事前学習したテキスト表現を用いた学習者は,CATE推定精度の向上を図っている。
テキスト埋め込みの絡み合った性質のため、これらのモデルは、完全な共同創設者の知識を持つメタ学習者のパフォーマンスと完全には一致しない。
論文 参考訳（メタデータ） (2024-09-23T19:46:19Z) - Images in Discrete Choice Modeling: Addressing Data Isomorphism in
Multi-Modality Inputs [77.54052164713394]
本稿では,離散選択モデリング(DCM)と機械学習の交わりについて考察する。
本稿では,DCMフレームワーク内の従来の表型入力と同型情報を共有する高次元画像データの埋め込み結果について検討する。
論文 参考訳（メタデータ） (2023-12-22T14:33:54Z) - Multimodal Relation Extraction with Cross-Modal Retrieval and Synthesis [89.04041100520881]
本研究は,対象物,文,画像全体に基づいて,テキストおよび視覚的証拠を検索することを提案する。
我々は,オブジェクトレベル,画像レベル,文レベル情報を合成し,同一性と異なるモダリティ間の推論を改善する新しい手法を開発した。
論文 参考訳（メタデータ） (2023-05-25T15:26:13Z) - CARLA-GeAR: a Dataset Generator for a Systematic Evaluation of
Adversarial Robustness of Vision Models [61.68061613161187]
本稿では,合成データセットの自動生成ツールであるCARLA-GeARについて述べる。
このツールは、Python APIを使用して、CARLAシミュレータ上に構築されており、自律運転のコンテキストにおいて、いくつかのビジョンタスク用のデータセットを生成することができる。
本稿では,CARLA-GeARで生成されたデータセットが,現実世界の敵防衛のベンチマークとして今後どのように利用されるかを示す。
論文 参考訳（メタデータ） (2022-06-09T09:17:38Z) - Is More Data All You Need? A Causal Exploration [4.756600446882457]
因果分析は、医療や経済学において、行動や政策の影響についての洞察を得るためにしばしば用いられる。
本稿では,データセット介入が画像分類モデルの出力に与える影響について検討する。
論文 参考訳（メタデータ） (2022-06-06T08:02:54Z) - An Empirical Investigation of Commonsense Self-Supervision with
Knowledge Graphs [67.23285413610243]
大規模知識グラフから抽出した情報に基づく自己監督は、言語モデルの一般化を改善することが示されている。
本研究では,言語モデルに適用可能な合成データを生成するための知識サンプリング戦略とサイズの影響について検討する。
論文 参考訳（メタデータ） (2022-05-21T19:49:04Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Generating Synthetic Text Data to Evaluate Causal Inference Methods [23.330942019150786]
我々は、既存の世代モデルに適応して、既知の因果効果を持つ合成テキストデータセットを作成するためのフレームワークを開発する。
このフレームワークを用いて,テキストデータから因果効果を推定する4つの手法を実証的に比較した。
論文 参考訳（メタデータ） (2021-02-10T18:53:11Z) - Semi-Structured Deep Piecewise Exponential Models [2.7728956081909346]
本稿では,統計学の先進的な概念と深層学習を組み合わせた生存分析のための多目的フレームワークを提案する。
この枠組みを用いてアルツハイマー病の進行を予測することによって概念実証を行う。
論文 参考訳（メタデータ） (2020-11-11T14:41:19Z) - CDEvalSumm: An Empirical Study of Cross-Dataset Evaluation for Neural
Summarization Systems [121.78477833009671]
データセット間設定下での様々な要約モデルの性能について検討する。
異なるドメインの5つのデータセットに対する11の代表的な要約システムに関する包括的な研究は、モデルアーキテクチャと生成方法の影響を明らかにしている。
論文 参考訳（メタデータ） (2020-10-11T02:19:15Z)
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。