論文の概要: Counterfactual Generative Modeling with Variational Causal Inference

• arxiv url: http://arxiv.org/abs/2410.12730v1
• Date: Wed, 16 Oct 2024 16:44:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-17 13:44:40.905125
• Title: Counterfactual Generative Modeling with Variational Causal Inference
• Title（参考訳）: 変分因果推論を用いた因果生成モデル
• Authors: Yulun Wu, Louie McConnell, Claudia Iriondo,
• Abstract要約: 本稿では, 逆ファクト生成モデリングタスクを扱うための変分ベイズ因果推論フレームワークを提案する。 実験では, 反ファクト生成モデルにおける最先端モデルと比較して, フレームワークの利点を実証する。
• 参考スコア（独自算出の注目度）: 1.9287470458589586
• License:
• Abstract: Estimating an individual's potential outcomes under counterfactual treatments is a challenging task for traditional causal inference and supervised learning approaches when the outcome is high-dimensional (e.g. gene expressions, facial images) and covariates are relatively limited. In this case, to predict one's outcomes under counterfactual treatments, it is crucial to leverage individual information contained in its high-dimensional observed outcome in addition to the covariates. Prior works using variational inference in counterfactual generative modeling have been focusing on neural adaptations and model variants within the conditional variational autoencoder formulation, which we argue is fundamentally ill-suited to the notion of counterfactual in causal inference. In this work, we present a novel variational Bayesian causal inference framework and its theoretical backings to properly handle counterfactual generative modeling tasks, through which we are able to conduct counterfactual supervision end-to-end during training without any counterfactual samples, and encourage latent disentanglement that aids the correct identification of causal effect in counterfactual generations. In experiments, we demonstrate the advantage of our framework compared to state-of-the-art models in counterfactual generative modeling on multiple benchmarks.
• Abstract（参考訳）: 結果が高次元(例えば、遺伝子発現、顔画像)であり、共変量も比較的限られている場合、従来の因果推論や教師付き学習アプローチでは、個人による潜在的な結果の推定は難しい課題である。 この場合, 共変量に加えて, 高次元観測結果に含まれる個々の情報を活用することが重要である。 反事実生成モデルにおける変分推論を用いた先行研究は、条件付き変分オートエンコーダの定式化におけるニューラル適応とモデル変分に焦点を合わせてきた。 本研究では,反ファクト世代における因果関係の正しい同定を支援するために,反ファクト世代における因果関係の正しい同定を支援するために,非現実的因果関係の枠組みとその理論的支援を新たに提案する。 実験では,複数のベンチマーク上での反現実的生成モデルにおける最先端モデルと比較して,我々のフレームワークの利点を実証する。

関連論文リスト

• DiffusionCounterfactuals: Inferring High-dimensional Counterfactuals with Guidance of Causal Representations [18.973047393598346]
  本稿では,因果的メカニズムと拡散モデルを組み込んだ新しいフレームワークを提案する。 提案手法では, モデルが精度の高い反現実的高次元データを連続的に生成することのできる, 理論上基礎付けられた新しいトレーニングとサンプリングプロセスを導入する。
  論文  参考訳（メタデータ） (2024-07-30T05:15:19Z)
• VLUCI: Variational Learning of Unobserved Confounders for Counterfactual Inference [11.191748173380539]
  因果推論は疫学、医療、経済学など様々な分野において重要な役割を担っている。 因果推論研究において、観測データにおける不一致と反実予測が顕著な関心事として浮上している。 本稿では,反実的推論のための新しい変分学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-08-02T01:44:30Z)
• Towards Characterizing Domain Counterfactuals For Invertible Latent Causal Models [15.817239008727789]
  本研究では,異なるドメインで生成された場合,サンプルがどのようなものであったのかを仮定した,ドメイン反事実と呼ばれる特定のタイプの因果クエリを解析する。 本研究では, 潜在構造因果モデル (SCM) の回復は, ドメイン・デファクト・デファクトを推定するために不要であることを示す。 また、モデル生成過程を単純化し、生成モデル推定を行うための理論的基盤となる実用的なアルゴリズムも開発する。
  論文  参考訳（メタデータ） (2023-06-20T04:19:06Z)
• 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)
• How Tempering Fixes Data Augmentation in Bayesian Neural Networks [22.188535244056016]
  テンパリングは、拡張のモデリングから生じる誤特定を暗黙的に減らし、すなわちデータとして示す。 温度は有効サンプルサイズの役割を模倣し、増強によって提供される情報の利得を反映している。
  論文  参考訳（メタデータ） (2022-05-27T11:06:56Z)
• Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
  本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。 我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
  論文  参考訳（メタデータ） (2022-04-05T12:52:45Z)
• Beyond Trivial Counterfactual Explanations with Diverse Valuable Explanations [64.85696493596821]
  コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。 本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。 このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
  論文  参考訳（メタデータ） (2021-03-18T12:57:34Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)
• 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)
• Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
  我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。 我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。 継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-27T18:46:21Z)

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。