Fugu-MT 論文翻訳(概要): Prediction-powered Generalization of Causal Inferences

論文の概要: Prediction-powered Generalization of Causal Inferences

arxiv url: http://arxiv.org/abs/2406.02873v1
Date: Wed, 5 Jun 2024 02:44:14 GMT
ステータス: 処理完了
システム内更新日: 2024-06-06 22:16:58.846880
Title: Prediction-powered Generalization of Causal Inferences
Title（参考訳）: 因果推論の予測による一般化
Authors: Ilker Demirel, Ahmed Alaa, Anthony Philippakis, David Sontag,
Abstract要約: 実験の規模が限られていることが,一般化を統計的に実現不可能な課題にしていることを示す。我々は、さらなる観察研究から得られた予測モデルを用いて、試行データを補う一般化アルゴリズムを開発した。
参考スコア（独自算出の注目度）: 6.43357871718189
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Causal inferences from a randomized controlled trial (RCT) may not pertain to a target population where some effect modifiers have a different distribution. Prior work studies generalizing the results of a trial to a target population with no outcome but covariate data available. We show how the limited size of trials makes generalization a statistically infeasible task, as it requires estimating complex nuisance functions. We develop generalization algorithms that supplement the trial data with a prediction model learned from an additional observational study (OS), without making any assumptions on the OS. We theoretically and empirically show that our methods facilitate better generalization when the OS is high-quality, and remain robust when it is not, and e.g., have unmeasured confounding.
Abstract（参考訳）: ランダム化制御試験(RCT)の因果推論は、いくつかの効果修飾子が異なる分布を持つ対象集団には関係しないかもしれない。先行研究は、実験の結果を結果のない目的の個体群に一般化するが、共変量データは利用可能である。複雑なニュアンス関数を推定する必要があるため,試行錯誤の程度が限定されることで,一般化が統計的に実現不可能な課題となることを示す。我々は,OSに仮定することなく,新たな観測結果(OS)から学習した予測モデルを用いて試行データを補足する一般化アルゴリズムを開発した。理論的かつ実証的に、我々の手法は、OSが高品質であり、そうでなければ頑健であり、また、例えば、未測定の欠点がある場合に、より優れた一般化を促進することを示している。

関連論文リスト

Effect-Invariant Mechanisms for Policy Generalization [3.701112941066256]
不変条件分布を利用して、目に見えない環境をより一般化するモデルを学ぶことが提案されている。効果不変性(英語版)と呼ばれる完全な不変性の緩和を導入し、ゼロショットポリシーの一般化には適切な仮定の下で十分であることを示す。シミュレーションデータと移動体保健介入データセットを用いて実験結果を提示し,本手法の有効性を実証した。
論文参考訳（メタデータ） (2023-06-19T14:50:24Z)
Intervention Generalization: A View from Factor Graph Models [7.117681268784223]
操作されたシステムの分布の因子化に関する最小限の仮定に基づいて、過去の実験から新しい条件への飛躍をいかに保証するかを詳しく検討する。仮定された$textitinterventional Factor Model$ (IFM) は必ずしも情報であるとは限らないが、不測のコンバウンディングとフィードバックのメカニズムを明示的にモデル化する必要性を便利に抽象化する。
論文参考訳（メタデータ） (2023-06-06T21:44:23Z)
Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
論文参考訳（メタデータ） (2023-06-04T02:32:12Z)
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)
Modeling Uncertain Feature Representation for Domain Generalization [49.129544670700525]
提案手法は,複数の視覚タスクにおけるネットワーク一般化能力を常に改善することを示す。我々の手法は単純だが有効であり、トレーニング可能なパラメータや損失制約を伴わずにネットワークに容易に統合できる。
論文参考訳（メタデータ） (2023-01-16T14:25:02Z)
Beyond Random Split for Assessing Statistical Model Performance [0.0]
予測器の多様性に基づいて、トレーニングとテストセットを分割する戦略を分析する。このような戦略は、人口の代表性が最小限に抑えられた珍しい例や珍しい例を取り入れることを保証することを目的としている。予備的な結果はモンテカルロ分割戦略に3つの代替戦略を適用することの重要性を示した。
論文参考訳（メタデータ） (2022-09-04T22:24:35Z)
AdAUC: End-to-end Adversarial AUC Optimization Against Long-tail Problems [102.95119281306893]
我々は、AUCを最適化するための敵の訓練方法を探求するための早期トライアルを提示する。我々は、AUC最適化問題をサドル点問題として再構成し、目的がインスタンスワイズ関数となる。我々の分析は, min-max問題の勾配を計算して, 逆例を生成するアルゴリズムが求められているため, 既存の研究と異なる。
論文参考訳（メタデータ） (2022-06-24T09:13:39Z)
Predicting Unreliable Predictions by Shattering a Neural Network [145.3823991041987]
線形ニューラルネットワークは、サブファンクションに分割することができる。サブファンクションは、独自のアクティベーションパターン、ドメイン、経験的エラーを持っている。完全なネットワークに対する経験的エラーは、サブファンクションに対する期待として記述できる。
論文参考訳（メタデータ） (2021-06-15T18:34:41Z)
Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
論文参考訳（メタデータ） (2021-06-07T17:47:16Z)
A Causal Direction Test for Heterogeneous Populations [10.653162005300608]
ほとんどの因果モデルでは、単一の同質な集団を仮定するが、これは多くの応用において成り立たない仮定である。等質性仮定に違反した場合、そのような仮定に基づいて開発された因果モデルが正しい因果方向を識別できないことを示す。我々は,$k$-means型クラスタリングアルゴリズムを用いて,一般的な因果方向検定統計量の調整を提案する。
論文参考訳（メタデータ） (2020-06-08T18:59:14Z)
MissDeepCausal: Causal Inference from Incomplete Data Using Deep Latent Variable Models [14.173184309520453]
因果推論の最先端の手法は、欠落した値を考慮していない。欠落したデータは、適応された未確立仮説を必要とする。欠落した値に適応した変分オートエンコーダを通じて分布を学習する潜在的共同設立者について考察する。
論文参考訳（メタデータ） (2020-02-25T12:58:07Z)

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。