論文の概要: Causal Imputation for Counterfactual SCMs: Bridging Graphs and Latent Factor Models

• arxiv url: http://arxiv.org/abs/2402.14777v1
• Date: Thu, 22 Feb 2024 18:37:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-23 14:03:56.797405
• Title: Causal Imputation for Counterfactual SCMs: Bridging Graphs and Latent Factor Models
• Title（参考訳）: 対実的SCMに対する因果計算:ブリッジグラフと潜在因子モデル
• Authors: Alvaro Ribot, Chandler Squires, Caroline Uhler
• Abstract要約: 我々は因果的抑止の課題を考察し、様々な可能な状況においてある行動の集合の結果を予測することを目的としている。 本稿では,新しいSCMモデルクラスを導入し,その結果が反事実として表現される。 線形性仮定の下で、この設定は結果の行列上の潜在因子モデルを誘導することを示す。
• 参考スコア（独自算出の注目度）: 9.722250595763386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the task of causal imputation, where we aim to predict the outcomes of some set of actions across a wide range of possible contexts. As a running example, we consider predicting how different drugs affect cells from different cell types. We study the index-only setting, where the actions and contexts are categorical variables with a finite number of possible values. Even in this simple setting, a practical challenge arises, since often only a small subset of possible action-context pairs have been studied. Thus, models must extrapolate to novel action-context pairs, which can be framed as a form of matrix completion with rows indexed by actions, columns indexed by contexts, and matrix entries corresponding to outcomes. We introduce a novel SCM-based model class, where the outcome is expressed as a counterfactual, actions are expressed as interventions on an instrumental variable, and contexts are defined based on the initial state of the system. We show that, under a linearity assumption, this setup induces a latent factor model over the matrix of outcomes, with an additional fixed effect term. To perform causal prediction based on this model class, we introduce simple extension to the Synthetic Interventions estimator (Agarwal et al., 2020). We evaluate several matrix completion approaches on the PRISM drug repurposing dataset, showing that our method outperforms all other considered matrix completion approaches.
• Abstract（参考訳）: 我々は因果的抑止の課題を考察し、様々な可能な状況においてある行動の集合の結果を予測することを目的としている。 実行中の例として、異なる薬物が異なる細胞タイプの細胞に与える影響を予測することを検討する。 動作とコンテキストが有限個の可能な値を持つカテゴリ変数であるインデックスのみの設定について検討する。 この単純な設定であっても、アクションコンテキスト対の小さな部分集合のみが研究されているため、現実的な課題が生じる。 したがってモデルは、アクションによってインデックス化された行、コンテキストでインデックス化された列、結果に対応するマトリックスエントリによる行列補完の形式としてフレーム化できる、新しいアクション-コンテキストペアに外挿する必要がある。 本稿では,SCMに基づく新しいモデルクラスを導入し,結果が反ファクトとして表現され,アクションが機器変数の介入として表現され,システムの初期状態に基づいてコンテキストが定義される。 線形性仮定の下では、この設定は結果行列の上に潜在因子モデルを誘導し、追加の固定効果項を持つことを示す。 このモデルクラスに基づいて因果予測を行うため、合成干渉推定器(Agarwal et al., 2020)への簡単な拡張を導入する。 PRISM 薬物再資源化データセットにおける行列補完手法の評価を行い,提案手法が他の行列補完手法よりも優れていることを示す。

関連論文リスト

• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Structured Learning of Compositional Sequential Interventions [5.8613343090506556]
  我々は、各ユニットが時間の経過とともに介入の組み合わせに晒される、逐次的な治療体制について考察する。 標準ブラックボックスアプローチは、分類変数の列を出力にマッピングする。 構成の明示的なモデル、すなわち、逐次的介入の効果をモジュールに分離する方法を示す。
  論文  参考訳（メタデータ） (2024-06-09T11:36:36Z)
• Generating collective counterfactual explanations in score-based classification via mathematical optimization [4.281723404774889]
  インスタンスの反実的な説明は、このインスタンスを最小限に修正して、摂動インスタンスを望ましいクラスに分類する方法を示している。 カウンターファクト・アナリティクスの文献の多くは、単一インスタンスの単一カウントファクト・セッティングに焦点を当てている。 新規な数学的最適化モデルにより、興味ある群における各インスタンスに対する対実的説明を提供する。
  論文  参考訳（メタデータ） (2023-10-19T15:18:42Z)
• The Ordered Matrix Dirichlet for Modeling Ordinal Dynamics [54.96229007229786]
  観測された動作タイプに潜伏状態のマッピングを行うための順序付き行列ディリクレ(OMD)を提案する。 OMD上に構築されたモデルでは、解釈可能な潜在状態を復元し、数ショット設定で優れた予測性能を示す。
  論文  参考訳（メタデータ） (2022-12-08T08:04:26Z)
• Mutual Exclusivity Training and Primitive Augmentation to Induce Compositionality [84.94877848357896]
  最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。 本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。 広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
  論文  参考訳（メタデータ） (2022-11-28T17:36:41Z)
• Learning Invariant Representations under General Interventions on the Response [2.725698729450241]
  線形構造因果モデル(SCM)に着目し、不変整合性(IMP)を導入する。 離散環境と連続環境の両方において,本手法の一般化誤差を解析する。
  論文  参考訳（メタデータ） (2022-08-22T03:09:17Z)
• Mitigating multiple descents: A model-agnostic framework for risk monotonization [84.6382406922369]
  クロスバリデーションに基づくリスクモノトナイズのための一般的なフレームワークを開発する。 本稿では,データ駆動方式であるゼロステップとワンステップの2つの手法を提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:41:40Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• CausalX: Causal Explanations and Block Multilinear Factor Analysis [3.087360758008569]
  全体と部分の統一多線形モデルを提案する。 ボトムアップ計算の代替品であるインクリメンタルmモードブロックsvdを導入する。 結果のオブジェクト表現は、オブジェクトの全体と部分の階層に関連する固有の因果係数表現の解釈可能な選択である。
  論文  参考訳（メタデータ） (2021-02-25T13:49:01Z)
• Performance metrics for intervention-triggering prediction models do not reflect an expected reduction in outcomes from using the model [71.9860741092209]
  臨床研究者はしばしばリスク予測モデルの中から選択し評価する。 振り返りデータから算出される標準メトリクスは、特定の仮定の下でのみモデルユーティリティに関係します。 予測が時間を通して繰り返し配信される場合、標準メトリクスとユーティリティの関係はさらに複雑になる。
  論文  参考訳（メタデータ） (2020-06-02T16:26:49Z)

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。