論文の概要: Probably approximately correct high-dimensional causal effect estimation given a valid adjustment set

• arxiv url: http://arxiv.org/abs/2411.08141v1
• Date: Tue, 12 Nov 2024 19:37:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-14 16:10:35.010876
• Title: Probably approximately correct high-dimensional causal effect estimation given a valid adjustment set
• Title（参考訳）: 妥当な調整セットが与えられた場合のほぼ正確な高次元因果効果推定
• Authors: Davin Choo, Chandler Squires, Arnab Bhattacharyya, David Sontag,
• Abstract要約: ランダム化実験がない場合、因果効果を推定するための一般的なアプローチは、テクスタイト共変量調整を用いる。 我々は不特定誤差境界と制約に基づくアルゴリズムを提供し、より小さな調整セットに$eps$-Markovブランケットを超えることができる。 以上の結果から,因果関係の正確な推定を行うためには,因果関係の完全復元は不要であることが示唆された。
• 参考スコア（独自算出の注目度）: 17.10548702837952
• License:
• Abstract: Accurate estimates of causal effects play a key role in decision-making across applications such as healthcare, economics, and operations. In the absence of randomized experiments, a common approach to estimating causal effects uses \textit{covariate adjustment}. In this paper, we study covariate adjustment for discrete distributions from the PAC learning perspective, assuming knowledge of a valid adjustment set $\bZ$, which might be high-dimensional. Our first main result PAC-bounds the estimation error of covariate adjustment by a term that is exponential in the size of the adjustment set; it is known that such a dependency is unavoidable even if one only aims to minimize the mean squared error. Motivated by this result, we introduce the notion of an \emph{$\eps$-Markov blanket}, give bounds on the misspecification error of using such a set for covariate adjustment, and provide an algorithm for $\eps$-Markov blanket discovery; our second main result upper bounds the sample complexity of this algorithm. Furthermore, we provide a misspecification error bound and a constraint-based algorithm that allow us to go beyond $\eps$-Markov blankets to even smaller adjustment sets. Our third main result upper bounds the sample complexity of this algorithm, and our final result combines the first three into an overall PAC bound. Altogether, our results highlight that one does not need to perfectly recover causal structure in order to ensure accurate estimates of causal effects.
• Abstract（参考訳）: 因果効果の正確な推定は、医療、経済学、手術などの分野における意思決定において重要な役割を担っている。 ランダム化実験がない場合、因果効果を推定するための一般的なアプローチは、 \textit{covariate adjust} を用いる。 本稿では,PAC学習の観点からの離散分布の共変量調整について,高次元の有効な調整セットである$\bZ$の知識を仮定して検討する。 最初の主な結果であるPAC-bounds the Estimation error of covariate adjust by a term that is exmatic in the size of the adjust set; is known that such dependency is notavoidable in the mean squared error。 この結果に動機づけられて、我々は \emph{$\eps$-Markov blanket} の概念を導入し、そのような集合を共変量調整に使用する際の不特定誤差に境界を与え、$\eps$-Markov blanket discovery のためのアルゴリズムを提供する。 さらに、不特定誤差境界と制約ベースのアルゴリズムを提供することで、より小さな調整セットに$\eps$-Markovブランケットを超えることができる。 第3の主結果は、このアルゴリズムのサンプルの複雑さを上界し、最終結果は、最初の3つを総合的なPACバウンドに組み合わせます。 以上の結果から,因果関係の正確な推定を行うためには,因果関係の完全復元は不要であることが示唆された。

関連論文リスト

• Error Feedback under $(L_0,L_1)$-Smoothness: Normalization and Momentum [56.37522020675243]
  機械学習の幅広い問題にまたがる正規化誤差フィードバックアルゴリズムに対する収束の最初の証明を提供する。 提案手法では,許容可能なステップサイズが大きくなったため,新しい正規化エラーフィードバックアルゴリズムは,各種タスクにおける非正規化エラーよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-22T10:19:27Z)
• Orthogonal Causal Calibration [55.28164682911196]
  我々は、任意の損失$ell$に対して、任意の因果パラメータのキャリブレーション誤差$theta$の一般的な上限を証明した。 我々は、因果校正のための2つのサンプル分割アルゴリズムの収束解析に境界を用いる。
  論文  参考訳（メタデータ） (2024-06-04T03:35:25Z)
• Best Arm Identification with Fixed Budget: A Large Deviation Perspective [54.305323903582845]
  我々は、様々な武器の報酬間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。 特に、様々な武器の報酬の間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。
  論文  参考訳（メタデータ） (2023-12-19T13:17:43Z)
• Asymptotic Characterisation of Robust Empirical Risk Minimisation Performance in the Presence of Outliers [18.455890316339595]
  我々は,次元$d$とデータ点数$n$が固定比$alpha=n/d$で分岐した場合,高次元の線形回帰について検討し,出力率を含むデータモデルについて検討する。 我々は、$ell$-regularized $ell$, $ell_$, Huber損失を用いて、経験的リスク最小化(ERM)のパフォーマンスの正確性を提供する。
  論文  参考訳（メタデータ） (2023-05-30T12:18:39Z)
• Normalized/Clipped SGD with Perturbation for Differentially Private Non-Convex Optimization [94.06564567766475]
  DP-SGDとDP-NSGDは、センシティブなトレーニングデータを記憶する大規模モデルのリスクを軽減する。 DP-NSGD は DP-SGD よりも比較的チューニングが比較的容易であるのに対して,これらの2つのアルゴリズムは同様の精度を実現する。
  論文  参考訳（メタデータ） (2022-06-27T03:45:02Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• Dealing With Misspecification In Fixed-Confidence Linear Top-m Identification [0.0]
  固定誤差率$delta$(固定信頼度Top-m識別)の下で最大の手段を持つmアームの識別問題について検討する。 この問題は、特に医療やレコメンデーションシステムにおける実践的な応用によって動機付けられている。
  論文  参考訳（メタデータ） (2021-11-02T10:27:17Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• Sufficient Dimension Reduction for Average Causal Effect Estimation [21.029760577643554]
  多数の共変量を持つことは因果効果推定の品質に悪影響を及ぼす可能性がある。 教師付きカーネル次元削減法を用いて低次元表現を探索するアルゴリズムを開発した。 提案アルゴリズムは,2つの半合成および3つの実世界のデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2020-09-14T13:58:57Z)
• Combining $T_1$ and $T_2$ estimation with randomized benchmarking and bounding the diamond distance [6.445605125467574]
  実験設計と誤り訂正法を最適化するためには,特定の誤り源について学ぶことが不可欠である。 一般的な減衰チャネルでエラーが支配される場合について考察する。 フォールトトレランスのしきい値のロバストな評価を可能にする境界を提供する。
  論文  参考訳（メタデータ） (2020-08-20T20:28:35Z)

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。