論文の概要: C-XGBoost: A tree boosting model for causal effect estimation
- arxiv url: http://arxiv.org/abs/2404.00751v1
- Date: Sun, 31 Mar 2024 17:43:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-04 01:51:24.395163
- Title: C-XGBoost: A tree boosting model for causal effect estimation
- Title（参考訳）: C-XGBoost:因果効果推定のための樹木増進モデル
- Authors: Niki Kiriakidou, Ioannis E. Livieris, Christos Diou,
- Abstract要約: 因果効果推定は、平均処理効果と、治療の条件平均処理効果を、利用可能なデータから得られる結果に推定することを目的としている。
本稿では,C-XGBoost という新たな因果推論モデルを提案する。
- 参考スコア（独自算出の注目度）: 8.246161706153805
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Causal effect estimation aims at estimating the Average Treatment Effect as well as the Conditional Average Treatment Effect of a treatment to an outcome from the available data. This knowledge is important in many safety-critical domains, where it often needs to be extracted from observational data. In this work, we propose a new causal inference model, named C-XGBoost, for the prediction of potential outcomes. The motivation of our approach is to exploit the superiority of tree-based models for handling tabular data together with the notable property of causal inference neural network-based models to learn representations that are useful for estimating the outcome for both the treatment and non-treatment cases. The proposed model also inherits the considerable advantages of XGBoost model such as efficiently handling features with missing values requiring minimum preprocessing effort, as well as it is equipped with regularization techniques to avoid overfitting/bias. Furthermore, we propose a new loss function for efficiently training the proposed causal inference model. The experimental analysis, which is based on the performance profiles of Dolan and Mor{\'e} as well as on post-hoc and non-parametric statistical tests, provide strong evidence about the effectiveness of the proposed approach.
- Abstract（参考訳）: 因果効果推定は、平均処理効果と、治療の条件付き平均処理効果を、利用可能なデータから得られる結果に推定することを目的としている。
この知識は多くの安全クリティカルな領域において重要であり、観測データから抽出する必要があることが多い。
本研究では,新たな因果推論モデルC-XGBoostを提案する。
提案手法の動機は,表層データを扱うための木系モデルと因果推論ニューラルネットワークモデルの特徴を併用して,治療と非治療のどちらにおいても結果を推定するのに有用な表現を学習することにある。
また,XGBoostモデルの利点として,最小限の事前処理を必要とせず,効率よく特徴を扱えることや,過度な適合やバイアスを避けるための正規化技術を備えていることなどがあげられる。
さらに,提案した因果推論モデルを効率的に学習するための新たな損失関数を提案する。
Dolan と Mor{\'e の性能プロファイルとポストホックおよび非パラメトリック統計試験に基づく実験分析は,提案手法の有効性について強い証拠を与える。
関連論文リスト
- K-Fold Causal BART for CATE Estimation [0.0]
この研究は、広く認知されているInfant Health and Development Program(IHDP)ベンチマークデータセットを含む、合成および半合成データセットを使用している。
合成シナリオにおける有望な結果にもかかわらず、IHDPデータセットは、提案されたモデルがATEとCATE推定の最先端ではないことを明らかにしている。
論文 参考訳（メタデータ） (2024-09-09T14:36:33Z) - Causal Rule Forest: Toward Interpretable and Precise Treatment Effect Estimation [0.0]
因果ルールフォレスト(Causal Rule Forest, CRF)は、データから隠れパターンを学び、パターンを解釈可能な多レベルブールルールに変換する新しいアプローチである。
CRFで学習したデータ表現を用いた他の解釈可能な因果推論モデルをトレーニングすることにより、不均一処理効果(HTE)と条件平均処理効果(CATE)の推定におけるこれらのモデルの予測誤差を低減することができる。
我々の実験は、パーソナライズされた介入や政策を前進させるCRFの可能性を示している。
論文 参考訳（メタデータ） (2024-08-27T13:32:31Z) - Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。
観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。
本手法は, 推定手法よりも有効であることを示す。
論文 参考訳（メタデータ） (2024-08-26T08:39:09Z) - Causal Fine-Tuning and Effect Calibration of Non-Causal Predictive Models [1.3124513975412255]
本稿では,無作為な実験データを用いた因果推論のための非因果モデルの性能向上手法を提案する。
広告、顧客の保持、精密医療のような領域では、介入なしの結果を予測する非因果モデルはしばしば、介入の期待された効果に応じて個人をスコアしランク付けするために使用される。
論文 参考訳（メタデータ） (2024-06-13T20:18:16Z) - Efficient adjustment for complex covariates: Gaining efficiency with
DOPE [56.537164957672715]
共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。
理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。
その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
論文 参考訳（メタデータ） (2024-02-20T13:02:51Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳（メタデータ） (2023-11-13T01:48:08Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳（メタデータ） (2023-06-09T08:30:51Z) - B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under
Hidden Confounding [51.74479522965712]
本稿では,B-Learnerと呼ばれるメタラーナーを提案する。
我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
論文 参考訳（メタデータ） (2023-04-20T18:07:19Z) - An evaluation framework for comparing causal inference models [3.1372269816123994]
提案手法を用いて、いくつかの最先端因果効果推定モデルを比較した。
このアプローチの背後にある主な動機は、少数のインスタンスやシミュレーションがベンチマークプロセスに与える影響を取り除くことである。
論文 参考訳（メタデータ） (2022-08-31T21:04:20Z) - Measuring Causal Effects of Data Statistics on Language Model's
`Factual' Predictions [59.284907093349425]
大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。
トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。
我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
論文 参考訳（メタデータ） (2022-07-28T17:36:24Z) - An improved neural network model for treatment effect estimation [3.1372269816123994]
本稿では,ニューラルネットワークアーキテクチャに基づく潜在的結果と妥当性スコアを予測するための新しいモデルを提案する。
数値実験により, 提案モデルでは, 最先端モデルと比較して, 処理効果推定性能が向上していることが示されている。
論文 参考訳（メタデータ） (2022-05-23T07:56:06Z)
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。