Fugu-MT 論文翻訳(概要): Causal Post-Processing of Predictive Models

論文の概要: Causal Post-Processing of Predictive Models

arxiv url: http://arxiv.org/abs/2406.09567v2
Date: Mon, 12 May 2025 05:54:27 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-13 20:21:48.596786
Title: Causal Post-Processing of Predictive Models
Title（参考訳）: 予測モデルの因果後処理
Authors: Carlos Fernández-Loría, Yanfang Hou, Foster Provost, Jennifer Hill,
Abstract要約: 本稿では,因果関係によく適合するように予測スコアを精算する手法である因果後処理を提案する。単調な後処理、修正後処理、モデルベースの後処理の3つの主要なCPPアプローチを導入する。本研究は,非因果予測モデルと実験データを統合することの利点を,競合する代替手段として扱うことよりも明らかにした。
参考スコア（独自算出の注目度）: 1.3124513975412255
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Decision makers across various domains rely on predictive models to guide individual-level intervention decisions. However, these models are typically trained to predict outcomes rather than causal effects, leading to misalignments when they are used for causal decision making. Experimental data to train effective causal effect models often is limited. To address this issue, we propose causal post-processing (CPP), a family of techniques for refining predictive scores to better align with causal effects using limited experimental data. Rather than training separate causal models for each intervention, causal post-processing can adapt existing predictive scores to support different decision-making requirements, such as estimating effect sizes, ranking individuals by expected effects, or classifying individuals based on an intervention threshold. We introduce three main CPP approaches -- monotonic post-processing, correction post-processing, and model-based post-processing -- each balancing statistical efficiency and flexibility differently. Through simulations and an empirical application in advertising, we demonstrate that causal post-processing improves intervention decisions, particularly in settings where experimental data is expensive or difficult to obtain at scale. Our findings highlight the advantages of integrating non-causal predictive models with experimental data, rather than treating them as competing alternatives, which provides a scalable and data-efficient approach to causal inference for decision making.
Abstract（参考訳）: 様々な領域の意思決定者は、個人レベルの介入決定を導くための予測モデルに依存している。しかしながら、これらのモデルは典型的には因果的効果ではなく結果を予測するために訓練されており、因果的決定に使用される際には誤調整が生じる。効果的な因果効果モデルを訓練するための実験データは、しばしば限られている。この問題に対処するため, 限られた実験データを用いた因果関係を改善するために, 予測スコアを改良する手法である因果後処理(CPP)を提案する。介入ごとに別々の因果モデルを訓練する代わりに、因果後処理は既存の予測スコアに適応して、影響の大きさを推定したり、期待された効果で個人をランク付けしたり、介入しきい値に基づいて個人を分類したりといった、異なる意思決定要件をサポートすることができる。モノトニックな後処理、修正後処理、モデルベースの後処理という3つの主要なCPPアプローチを導入します。広告におけるシミュレーションと経験的応用を通じて、特に実験データが高価で大規模な取得が困難な環境では、因果後処理が介入決定を改善することを示す。そこで本研究では,非因果予測モデルと実験データを統合する利点を,競合する代替手段として扱うのではなく,因果推論に対するスケーラブルでデータ効率のよいアプローチとして示す。

関連論文リスト

The Amenability Framework: Rethinking Causal Ordering Without Estimating Causal Effects [1.6114012813668932]
本稿では,介入の影響を受けやすい個体の潜伏傾向に基づく概念的枠組みを提案する。次に、予測スコアがアメナビリティーの効果的なプロキシとなる条件を定式化する。その結果,予測モデルは介入効果による個人格付けにおける因果効果推定よりも優れていることがわかった。
論文参考訳（メタデータ） (2025-04-03T10:20:48Z)
Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
論文参考訳（メタデータ） (2024-11-21T10:37:57Z)
Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
拡散モデルは、生成的モデリングに大きな進歩をもたらした。しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。これらの課題に対処するための影響関数フレームワークを開発する。
論文参考訳（メタデータ） (2024-10-17T17:59:02Z)
C-XGBoost: A tree boosting model for causal effect estimation [8.246161706153805]
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。
論文参考訳（メタデータ） (2024-03-31T17:43:37Z)
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)
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)
Inferring Effect Ordering Without Causal Effect Estimation [1.6114012813668932]
予測モデルは、広告、顧客の保持、パーソナライズドメディカルな医療など、様々な分野の介入をガイドするためにしばしば使用される。本稿は,これらの予測モデルがどのように因果的に解釈できるのか,という問題に対処する。直接因果効果を推定することなく, 直接因果効果を推定するのに十分な2つの仮定, 完全な潜時媒介と潜時単調性を定式化する。
論文参考訳（メタデータ） (2022-06-25T02:15:22Z)
Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文参考訳（メタデータ） (2022-06-04T22:38:57Z)
Generalizability of Machine Learning Models: Quantitative Evaluation of Three Methodological Pitfalls [1.3870303451896246]
いくつかの医用画像データセットを用いてランダムフォレストとディープ畳み込みニューラルネットワークモデルを実装した。独立仮定の違反はモデル一般化可能性に大きく影響する可能性が示唆された。不適切なパフォーマンス指標は誤った結論につながる可能性がある。
論文参考訳（メタデータ） (2022-02-01T05:07:27Z)
Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文参考訳（メタデータ） (2021-09-06T14:52:58Z)
Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-08T14:29:07Z)
Selecting Treatment Effects Models for Domain Adaptation Using Causal Knowledge [82.5462771088607]
監視されていないドメイン適応設定下でITE法用に特別に設計された新しいモデル選択メトリックを提案する。特に,介入効果の予測が対象領域の既知の因果構造を満たすモデルを選択することを提案する。
論文参考訳（メタデータ） (2021-02-11T21:03:14Z)

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。