論文の概要: Recovering Latent Confounders from High-dimensional Proxy Variables

• arxiv url: http://arxiv.org/abs/2403.14228v1
• Date: Thu, 21 Mar 2024 08:39:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-22 14:57:51.312737
• Title: Recovering Latent Confounders from High-dimensional Proxy Variables
• Title（参考訳）: 高次元プロキシ変数から潜在的共同創設者を復元する
• Authors: Nathan Mankovich, Homer Durand, Emiliano Diaz, Gherardo Varando, Gustau Camps-Valls,
• Abstract要約: 本稿では, 連続処理効果推定のための新しいProxy Confounder Factorization (PCF) フレームワークを提案する。 特定サンプルサイズについては,独立成分分析(ICA-PCF)を用いた2段階PCF実装と,GD-PCF(Gradient Descent)を用いたエンドツーエンド実装により,潜在共同設立者と高い相関関係が得られた。 ICA-PCFは気候データに直面しても、北大西洋振動の75.9%のばらつきを説明する4つの成分を回収する。
• 参考スコア（独自算出の注目度）: 4.273372609646382
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting latent confounders from proxy variables is an essential problem in causal effect estimation. Previous approaches are limited to low-dimensional proxies, sorted proxies, and binary treatments. We remove these assumptions and present a novel Proxy Confounder Factorization (PCF) framework for continuous treatment effect estimation when latent confounders manifest through high-dimensional, mixed proxy variables. For specific sample sizes, our two-step PCF implementation, using Independent Component Analysis (ICA-PCF), and the end-to-end implementation, using Gradient Descent (GD-PCF), achieve high correlation with the latent confounder and low absolute error in causal effect estimation with synthetic datasets in the high sample size regime. Even when faced with climate data, ICA-PCF recovers four components that explain $75.9\%$ of the variance in the North Atlantic Oscillation, a known confounder of precipitation patterns in Europe. Code for our PCF implementations and experiments can be found here: https://github.com/IPL-UV/confound_it. The proposed methodology constitutes a stepping stone towards discovering latent confounders and can be applied to many problems in disciplines dealing with high-dimensional observed proxies, e.g., spatiotemporal fields.
• Abstract（参考訳）: プロキシ変数から潜伏した共同創設者を検出することは因果効果推定に不可欠な問題である。 従来のアプローチは、低次元プロキシ、ソートプロキシ、バイナリ処理に限られていた。 我々はこれらの仮定を排除し、高次元の混合プロキシ変数を通して潜在共同設立者が現れるときの継続的な治療効果評価のための新しいプロキシ・コンファクチャライゼーション(PCF)フレームワークを提案する。 特定サンプルサイズについては,独立成分分析(ICA-PCF)を用いた2段階PCF実装と,GD-PCFを用いたエンド・ツー・エンド実装を併用した。 ICA-PCFは気候データに直面しても、ヨーロッパにおける降水パターンの共同設立者として知られる北大西洋オシレーションの変動の75.9 %を説明できる4つの成分を回収している。 PCFの実装と実験のコードは、https://github.com/IPL-UV/confound_it.comで確認できます。 提案手法は, 潜在的共同創設者の発見に向けたステップストーンを構成し, 高次元的プロキシ(例えば時空間)を扱う分野の多くの問題に適用可能である。

関連論文リスト

• Automating the Selection of Proxy Variables of Unmeasured Confounders [16.773841751009748]
  既存のプロキシ変数推定器を拡張して、治療と結果の間に複数の未測定の共同創設者が存在するシナリオに対応する。 本稿では、プロキシ変数の選択と因果効果の偏りのない推定のための2つのデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2024-05-25T08:53:49Z)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Inferring Dynamic Networks from Marginals with Iterative Proportional Fitting [60.915127259986306]
  実世界のデータ制約から生じる一般的なネットワーク推論問題は、その時間集約された隣接行列から動的ネットワークを推論する方法である。 本稿では,ネットワーク構造に対する最小限の変更の下でIPFの収束を保証するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-28T20:24:56Z)
• Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
  Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。 近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。 本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T18:43:21Z)
• Kernel Single Proxy Control for Deterministic Confounding [32.70182383946395]
  結果が確定的に生成される場合,一つのプロキシ変数が因果推定に十分であることを示す。 我々は、挑戦的な合成ベンチマークにおいて因果効果を回復できることを実証し、実証的に証明する。
  論文  参考訳（メタデータ） (2023-08-08T21:11:06Z)
• Mixed Precision Quantization to Tackle Gradient Leakage Attacks in Federated Learning [1.7205106391379026]
  フェデレートラーニング(FL)は、明示的なデータ共有を必要とせずに、多数の参加者の間で協調的なモデル構築を可能にする。 このアプローチは、プライバシ推論攻撃を適用した際の脆弱性を示す。 特に、モデル勾配からセンシティブなデータを取得する上で高い成功率を持つ勾配リーク攻撃の場合、FLモデルは、その固有のアーキテクチャにおける通信の存在により、高いリスクを負う。
  論文  参考訳（メタデータ） (2022-10-22T04:24:32Z)
• Sample Complexity of Nonparametric Off-Policy Evaluation on Low-Dimensional Manifolds using Deep Networks [71.95722100511627]
  深層ニューラルネットワークを用いた強化学習における非政治的評価問題について考察する。 ネットワークサイズを適切に選択することにより、マルコフ決定過程において低次元多様体構造を利用することができることを示す。
  論文  参考訳（メタデータ） (2022-06-06T20:25:20Z)
• Deep Proxy Causal Learning and its Application to Confounded Bandit Policy Evaluation [26.47311758786421]
  プロキシ因果学習(英: Proxy causal learning、PCL)は、治療の因果効果を未観察の結束の有無で推定する方法である。 そこで本研究では,PCLの新しい手法であるDFPV(Deep Feature proxy variable method)を提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:36:13Z)
• LSDAT: Low-Rank and Sparse Decomposition for Decision-based Adversarial Attack [74.5144793386864]
  LSDATは、入力サンプルのスパース成分と対向サンプルのスパース成分によって形成される低次元部分空間における摂動を加工する。 LSDは画像ピクセル領域で直接動作し、スパース性などの非$ell$制約が満たされることを保証します。
  論文  参考訳（メタデータ） (2021-03-19T13:10:47Z)
• Deep Switching Auto-Regressive Factorization:Application to Time Series Forecasting [16.934920617960085]
  DSARFは、時間依存重みと空間依存因子の間の積変数による高次元データを近似する。 DSARFは、深い切替ベクトル自己回帰因子化の観点から重みをパラメータ化するという最先端技術とは異なる。 本実験は, 最先端手法と比較して, DSARFの長期的, 短期的予測誤差において優れた性能を示すものである。
  論文  参考訳（メタデータ） (2020-09-10T20:15:59Z)
• Recent Developments Combining Ensemble Smoother and Deep Generative Networks for Facies History Matching [58.720142291102135]
  本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。 本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
  論文  参考訳（メタデータ） (2020-05-08T21:32:42Z)

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。