論文の概要: Leaning Time-Varying Instruments for Identifying Causal Effects in Time-Series Data
- arxiv url: http://arxiv.org/abs/2411.17774v1
- Date: Tue, 26 Nov 2024 09:47:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-28 15:28:06.316083
- Title: Leaning Time-Varying Instruments for Identifying Causal Effects in Time-Series Data
- Title（参考訳）: 時系列データにおける因果関係の同定のための時間変化機器の学習
- Authors: Debo Cheng, Ziqi Xu, Jiuyong Li, Lin Liu, Thuc duy Le, Xudong Guo, Shichao Zhang,
- Abstract要約: 因果効果推定の偏りを解消する新しい条件変数(CIV)を開発した。
マルコフ特性とプロキシ変数の可利用性の仮定に基づき、これらの学習された表現の妥当性を理論的に確立する。
提案するTDCIVは,ドメイン固有の知識に頼ることなく,時間変化CIVとその関連条件セットを効果的に学習する最初の方法である。
- 参考スコア（独自算出の注目度）: 30.21788409445572
- License:
- Abstract: Querying causal effects from time-series data is important across various fields, including healthcare, economics, climate science, and epidemiology. However, this task becomes complex in the existence of time-varying latent confounders, which affect both treatment and outcome variables over time and can introduce bias in causal effect estimation. Traditional instrumental variable (IV) methods are limited in addressing such complexities due to the need for predefined IVs or strong assumptions that do not hold in dynamic settings. To tackle these issues, we develop a novel Time-varying Conditional Instrumental Variables (CIV) for Debiasing causal effect estimation, referred to as TDCIV. TDCIV leverages Long Short-Term Memory (LSTM) and Variational Autoencoder (VAE) models to disentangle and learn the representations of time-varying CIV and its conditioning set from proxy variables without prior knowledge. Under the assumptions of the Markov property and availability of proxy variables, we theoretically establish the validity of these learned representations for addressing the biases from time-varying latent confounders, thus enabling accurate causal effect estimation. Our proposed TDCIV is the first to effectively learn time-varying CIV and its associated conditioning set without relying on domain-specific knowledge.
- Abstract（参考訳）: 時系列データから因果関係を問うことは、医療、経済、気候科学、疫学など様々な分野において重要である。
しかし、この課題は、時間とともに治療と結果変数の両方に影響を及ぼし、因果効果推定のバイアスをもたらす、時間変化の潜伏した共同創設者の存在において複雑になる。
従来のインスツルメンタル変数(IV)メソッドは、事前定義されたIVや、動的設定では保たない強い仮定を必要とするため、そのような複雑さに対処するために制限される。
これらの課題に対処するため、TDCIVと呼ばれる因果効果推定の偏りを解消する新しい条件付き機器変数(CIV)を開発した。
TDCIVはLong Short-Term Memory (LSTM) と variational Autoencoder (VAE) モデルを利用して、時間変化CIVの表現と条件セットを事前の知識のないプロキシ変数から切り離し、学習する。
マルコフ特性の仮定とプロキシ変数の可利用性に基づき、時間変化の遅れた共同設立者からバイアスに対処するためのこれらの学習表現の有効性を理論的に確立し、正確な因果効果推定を可能にする。
提案するTDCIVは,ドメイン固有の知識に頼ることなく,時間変化CIVとその関連条件セットを効果的に学習する最初の方法である。
関連論文リスト
- DLFormer: Enhancing Explainability in Multivariate Time Series Forecasting using Distributed Lag Embedding [4.995397953581609]
本研究では,分散ラグ埋め込みと統合されたアテンションベースのアーキテクチャであるDLFormerを紹介する。
既存の注目ベースのハイパフォーマンスモデルと比較して、優れたパフォーマンス向上を示す。
論文 参考訳（メタデータ） (2024-08-29T20:39:54Z) - On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。
ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。
我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-24T08:08:05Z) - TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables [75.83318701911274]
TimeXerは外部情報を取り込み、内因性変数の予測を強化する。
TimeXerは、12の現実世界の予測ベンチマークで一貫した最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-02-29T11:54:35Z) - Instrumental Variable Estimation for Causal Inference in Longitudinal
Data with Time-Dependent Latent Confounders [18.290717457029178]
時系列観測データからの因果推論は、時間依存の共同設立者を特定するのが困難であるため、難しい問題である。
本稿では,時間依存型共同設立者によるデータから,時間依存型インスツルメンタルファクターモデル(TIFM)を提案する。
論文 参考訳（メタデータ） (2023-12-12T11:18:56Z) - Learning Conditional Instrumental Variable Representation for Causal
Effect Estimation [20.546911588972737]
因果効果推定のための条件セットとCIVの表現を学習・拡張するための新しい手法DVAE.CIVを提案する。
論文 参考訳（メタデータ） (2023-06-21T02:27:15Z) - Understanding the Impact of Competing Events on Heterogeneous Treatment
Effect Estimation from Time-to-Event Data [92.51773744318119]
本研究では,競合イベントの存在下での時間-時間データからヘテロジニアス処理効果(HTE)を推定する問題について検討する。
提案手法は,HTEを推定するための結果モデリング手法であり,既存の時間-時間データの予測モデルを,将来的な結果のプラグイン推定手段としてどのように利用できるかを検討する。
HTEの推定に汎用的な機械学習予測モデルを使用する場合、これらの課題がいつどのように機能するかを理論的に分析し、実証的に説明する。
論文 参考訳（メタデータ） (2023-02-23T14:28:55Z) - Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。
TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。
共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
論文 参考訳（メタデータ） (2022-12-20T17:40:03Z) - Causal Inference with Conditional Instruments using Deep Generative
Models [21.771832598942677]
標準IVは、処理変数と関係があり、システム内の他のすべての変数とは独立していると期待されている。
変数を変数の集合に条件付けするための条件付きIV(CIV)法が提案されている。
平均因果効果推定のために,CIVの表現とその条件セットを,潜伏した共同設立者とのデータから学習することを提案する。
論文 参考訳（メタデータ） (2022-11-29T14:31:54Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳（メタデータ） (2022-02-07T21:37:29Z) - Learning Temporally Causal Latent Processes from General Temporal Data [22.440008291454287]
それらの非線形混合物から時間的因果潜在過程を同定できる2つの証明可能な条件を提案する。
種々のデータセットに対する実験結果から, 時間的因果潜在過程が観測変数から確実に同定されることが示された。
論文 参考訳（メタデータ） (2021-10-11T17:16:19Z) - Instrumental Variable Value Iteration for Causal Offline Reinforcement Learning [107.70165026669308]
オフライン強化学習(RL)では、事前収集された観測データのみから最適なポリシーが学習される。
遷移力学が加法的非線形汎関数形式を持つようなマルコフ決定過程について検討する。
そこで本稿では,条件付きモーメント制限の原始的2次元再構成に基づく,証明可能なIVVIアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-19T13:01:40Z)
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。