論文の概要: A Causal Framework for Evaluating Deferring Systems
- arxiv url: http://arxiv.org/abs/2405.18902v1
- Date: Wed, 29 May 2024 09:03:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-30 17:59:30.287943
- Title: A Causal Framework for Evaluating Deferring Systems
- Title（参考訳）: デファリングシステム評価のための因果的枠組み
- Authors: Filippo Palomba, Andrea Pugnana, José Manuel Alvarez, Salvatore Ruggieri,
- Abstract要約: 我々は、遅延戦略が因果レンズによるシステム精度に与える影響を評価する。
これにより,遅延戦略の因果的影響が予測精度に与える影響を明らかにすることができる。
文献からの7つの遅延システムの合成および実データに対するアプローチを実証的に評価した。
- 参考スコア（独自算出の注目度）: 13.90573504537727
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deferring systems extend supervised Machine Learning (ML) models with the possibility to defer predictions to human experts. However, evaluating the impact of a deferring strategy on system accuracy is still an overlooked area. This paper fills this gap by evaluating deferring systems through a causal lens. We link the potential outcomes framework for causal inference with deferring systems. This allows us to identify the causal impact of the deferring strategy on predictive accuracy. We distinguish two scenarios. In the first one, we can access both the human and the ML model predictions for the deferred instances. In such a case, we can identify the individual causal effects for deferred instances and aggregates of them. In the second scenario, only human predictions are available for the deferred instances. In this case, we can resort to regression discontinuity design to estimate a local causal effect. We empirically evaluate our approach on synthetic and real datasets for seven deferring systems from the literature.
- Abstract（参考訳）: 定義システムは教師付き機械学習(ML)モデルを拡張し、予測を人間の専門家に延期する。
しかし、遅延戦略がシステム精度に与える影響を評価することは、まだ見過ごされている領域である。
本稿では、因果レンズによる遅延システムの評価により、このギャップを埋める。
我々は、因果推論の潜在的な結果フレームワークと延期システムとを関連づける。
これにより,遅延戦略の因果的影響が予測精度に与える影響を明らかにすることができる。
2つのシナリオを区別する。
最初の例では、遅延したインスタンスに対して、人間とMLモデルの予測の両方にアクセスできます。
そのような場合、遅延したインスタンスとそれらの集合に対する個々の因果効果を特定できる。
第2のシナリオでは、遅延したインスタンスに対して、人間の予測しか利用できない。
この場合、回帰不連続設計を利用して局所因果効果を推定できる。
文献からの7つの遅延システムの合成および実データに対するアプローチを実証的に評価した。
関連論文リスト
- Controlling Counterfactual Harm in Decision Support Systems Based on Prediction Sets [14.478233576808876]
予測セットに基づく意思決定支援システムでは、正確性と因果的害との間にトレードオフがある。
自然で検証不能な単調な仮定の下では、システム自体が人間による予測を用いて、どれだけの頻度で害を引き起こす可能性があるかを推定することができる。
また, 仮説が弱く, 検証可能な場合, 人間による予測のみを用いて, システムが再び危害を引き起こす頻度を制限できることも示している。
論文 参考訳（メタデータ） (2024-06-10T18:00:00Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳（メタデータ） (2023-06-01T10:51:58Z) - Neural Causal Models for Counterfactual Identification and Estimation [62.30444687707919]
本稿では,ニューラルモデルによる反事実文の評価について検討する。
まず、神経因果モデル(NCM)が十分に表現可能であることを示す。
第2に,反事実分布の同時同定と推定を行うアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-09-30T18:29:09Z) - Causal Scoring: A Framework for Effect Estimation, Effect Ordering, and
Effect Classification [11.460911023224337]
因果スコアは、因果効果に関する洞察を提供することによって意思決定を支援するスコアを推定する。
効果推定(EE)、効果順序付け(EO)、効果分類(EC)の3つの重要な因果的解釈を提示する。
論文 参考訳（メタデータ） (2022-06-25T02:15:22Z) - Undersmoothing Causal Estimators with Generative Trees [0.0]
観察データから個別に治療効果を推定することで、標的となる介入の可能性を解き放つことができる。
しかし、観測データからこれらの効果を推測することは困難である。
本稿では,モデルの不特定に対処する新しい生成木に基づくアプローチについて検討する。
論文 参考訳（メタデータ） (2022-03-16T11:59:38Z) - Empirical Estimates on Hand Manipulation are Recoverable: A Step Towards
Individualized and Explainable Robotic Support in Everyday Activities [80.37857025201036]
ロボットシステムの鍵となる課題は、他のエージェントの振る舞いを理解することである。
正しい推論の処理は、(衝突)因子が実験的に制御されない場合、特に困難である。
人に関する観察研究を行うために必要なツールをロボットに装備することを提案する。
論文 参考訳（メタデータ） (2022-01-27T22:15:56Z) - Causal Knowledge Guided Societal Event Forecasting [24.437437565689393]
本稿では,因果効果推定をイベント予測に組み込むディープラーニングフレームワークを提案する。
機能再重み付けモジュールと近似損失を含む2つの頑健な学習モジュールを導入し、事前の知識注入を可能にする。
論文 参考訳（メタデータ） (2021-12-10T17:41:02Z) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳（メタデータ） (2020-10-15T16:39:26Z) - Causal Discovery in Physical Systems from Videos [123.79211190669821]
因果発見は人間の認知の中心にある。
本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
論文 参考訳（メタデータ） (2020-07-01T17:29:57Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳（メタデータ） (2020-06-30T15:49:05Z)
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。