論文の概要: Causal Inference with Complex Treatments: A Survey

• arxiv url: http://arxiv.org/abs/2407.14022v1
• Date: Fri, 19 Jul 2024 04:46:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 18:53:17.655909
• Title: Causal Inference with Complex Treatments: A Survey
• Title（参考訳）: 複雑治療における因果推論 : アンケート調査
• Authors: Yingrong Wang, Haoxuan Li, Minqin Zhu, Anpeng Wu, Ruoxuan Xiong, Fei Wu, Kun Kuang,
• Abstract要約: 因果推論は、統計学、マーケティング、医療、教育など様々な分野における説明分析と意思決定において重要な役割を果たしている。 本稿では,複雑な治療について言及し,それに対応する因果推論手法を体系的・包括的に検討する。
• 参考スコア（独自算出の注目度）: 34.653398789722104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal inference plays an important role in explanatory analysis and decision making across various fields like statistics, marketing, health care, and education. Its main task is to estimate treatment effects and make intervention policies. Traditionally, most of the previous works typically focus on the binary treatment setting that there is only one treatment for a unit to adopt or not. However, in practice, the treatment can be much more complex, encompassing multi-valued, continuous, or bundle options. In this paper, we refer to these as complex treatments and systematically and comprehensively review the causal inference methods for addressing them. First, we formally revisit the problem definition, the basic assumptions, and their possible variations under specific conditions. Second, we sequentially review the related methods for multi-valued, continuous, and bundled treatment settings. In each situation, we tentatively divide the methods into two categories: those conforming to the unconfoundedness assumption and those violating it. Subsequently, we discuss the available datasets and open-source codes. Finally, we provide a brief summary of these works and suggest potential directions for future research.
• Abstract（参考訳）: 因果推論は、統計学、マーケティング、医療、教育など様々な分野における説明分析と意思決定において重要な役割を果たしている。 主な課題は治療効果を見積り、介入方針を立てることである。 伝統的に、以前の作品のほとんどが、ユニットが採用するか否かに関わらず、単一の処理しか存在しないというバイナリ処理設定に重点を置いている。 しかし実際には、この処理はより複雑で、多値、連続、またはバンドルの選択肢を含んでいる。 本稿では、これらを複雑な治療として言及し、それらに対処するための因果推論手法を体系的かつ包括的にレビューする。 まず, 問題定義, 基本仮定, および, 特定の条件下での変動の可能性について, 正式に再検討する。 第2に,多値・連続・バンドル処理設定に関する関連手法を逐次検討する。 それぞれの状況において,提案手法を不確定性仮定に適合するものと違反するものの2つのカテゴリに暫定的に分割する。 その後、利用可能なデータセットとオープンソースコードについて議論する。 最後に,これらの研究について概説し,今後の研究の方向性を示唆する。

関連論文リスト

• Counterfactual Prediction Under Selective Confounding [3.6860485638625673]
  この研究は、全ての共同創設者が知られていない場合、バイナリ処理とその結果の間の因果推論を行うという課題に対処する。 我々は、希望する処置の下ですべての共同創設者を知るという要求を緩和し、選択的共起(Selective Confounding)と呼ぶ。 提案手法の有効性に関する理論的誤差境界と実証的証拠の両方を,実世界と実世界の子配置データを用いて提示する。
  論文  参考訳（メタデータ） (2023-10-21T16:54:59Z)
• The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation [53.81860494566915]
  既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。 多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。 この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
  論文  参考訳（メタデータ） (2023-09-29T14:33:48Z)
• TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective [50.675845725806724]
  個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。 TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。 提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
  論文  参考訳（メタデータ） (2022-12-17T15:01:05Z)
• Neighborhood Adaptive Estimators for Causal Inference under Network Interference [152.4519491244279]
  我々は,古典的非干渉仮説の違反を考える。つまり,ある個人に対する治療が他者の結果に影響を及ぼす可能性がある。 干渉をトラクタブルにするために、干渉がどのように進行するかを記述する既知のネットワークを考える。 このような環境下での処理に対する平均的直接的処理効果の予測について検討した。
  論文  参考訳（メタデータ） (2022-12-07T14:53:47Z)
• Causal Modeling of Policy Interventions From Sequences of Treatments and Outcomes [5.107614397012659]
  データ駆動意思決定は、ポリシーが変更されたときに何が起こるかを予測する能力を必要とする。 結果がどのように進化するかを予測する既存の方法は、将来の治療の仮のシーケンスが事前に固定されていると仮定する。 実際には、治療は政策によって決定され、以前の治療の効率に依存する可能性がある。
  論文  参考訳（メタデータ） (2022-09-09T06:50:37Z)
• Learning to Infer Counterfactuals: Meta-Learning for Estimating Multiple Imbalanced Treatment Effects [41.06974193338288]
  本稿では,治療群間のデータエピソードをメタラーニングタスクとみなす。 そこで本研究では,ソース処理グループから十分なサンプルを用いてメタラーナーを訓練し,対象治療における限られたサンプルによる勾配降下によるモデル更新を行う。 実世界の2つのデータセットの実験を行い、推測精度と一般化能力を評価する。
  論文  参考訳（メタデータ） (2022-08-13T23:22:12Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• Robust and Heterogenous Odds Ratio: Estimating Price Sensitivity for Unbought Items [0.0]
  介入に対する不均一な応答のマイニングは、データ駆動操作にとって重要なステップである。 取引レベルのデータから価格の感度を推定する方法を検討する。
  論文  参考訳（メタデータ） (2021-06-21T19:50:32Z)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。