論文の概要: Contrastive representations of high-dimensional, structured treatments

• arxiv url: http://arxiv.org/abs/2411.19245v1
• Date: Thu, 28 Nov 2024 16:33:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:23:17.492946
• Title: Contrastive representations of high-dimensional, structured treatments
• Title（参考訳）: 高次元構造処理のコントラスト表現
• Authors: Oriol Corcoll Andreu, Athanasios Vlontzos, Michael O'Riordan, Ciaran M. Gilligan-Lee,
• Abstract要約: 多くの実世界の環境では、処理は構造化され、テキスト、ビデオ、オーディオなどの高次元のオブジェクトを処理できる。 本稿では,そのような構造を用いることで因果効果の偏りを推定できることを示す。 我々は,高次元治療の表現を学習するための新しい対照的なアプローチを考案し,根底にある因果的要因を特定し,非因果的要因を捨てることを証明する。
• 参考スコア（独自算出の注目度）: 3.174882428337822
• License:
• Abstract: Estimating causal effects is vital for decision making. In standard causal effect estimation, treatments are usually binary- or continuous-valued. However, in many important real-world settings, treatments can be structured, high-dimensional objects, such as text, video, or audio. This provides a challenge to traditional causal effect estimation. While leveraging the shared structure across different treatments can help generalize to unseen treatments at test time, we show in this paper that using such structure blindly can lead to biased causal effect estimation. We address this challenge by devising a novel contrastive approach to learn a representation of the high-dimensional treatments, and prove that it identifies underlying causal factors and discards non-causally relevant factors. We prove that this treatment representation leads to unbiased estimates of the causal effect, and empirically validate and benchmark our results on synthetic and real-world datasets.
• Abstract（参考訳）: 因果効果を推定することは意思決定に不可欠である。 標準的な因果効果推定では、治療は通常バイナリまたは連続評価される。 しかし、多くの重要な実世界の環境では、テキスト、ビデオ、オーディオなどの高次元オブジェクトを構造化することができる。 これは従来の因果効果推定に挑戦する。 異なる処理における共有構造の利用は,テスト時に見つからない処理を一般化するのに有効であるが,本論文では,このような構造を盲目的に使用することにより,因果効果のバイアスが生じることを示した。 この課題は,高次元治療の表現を学習するための新しい対照的なアプローチを考案し,根底にある因果的要因を特定し,非因果的要因を捨てることを証明することで解決する。 この処理表現が因果効果の偏りのない推定につながることを証明し、人工的および実世界のデータセットで結果を実証的に検証し、ベンチマークする。

関連論文リスト

• Higher-Order Causal Message Passing for Experimentation with Complex Interference [6.092214762701847]
  本研究では、因果的メッセージパッシングに基づく新しい推定器のクラスを導入し、広範で未知な干渉のある設定に特化して設計する。 我々の推定器は、サンプルの平均値と時間とともに単位結果と処理のばらつきから情報を抽出し、観測データの効率的な利用を可能にする。
  論文  参考訳（メタデータ） (2024-11-01T18:00:51Z)
• 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)
• Treatment Effects in Extreme Regimes [31.069635076539367]
  極端状態における治療効果を推定するための極端値理論に基づく新しい枠組みを提案する。 これらの効果は, 治療の有無と存在下での潜在的な結果のテール崩壊率の変動を用いて定量化する。
  論文  参考訳（メタデータ） (2023-06-20T17:22:23Z)
• Data-Driven Estimation of Heterogeneous Treatment Effects [15.140272661540655]
  異種治療効果推定(ヘテロジニアス・エフェクト・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント)は、経験科学において重要な問題である。 機械学習を用いた不均一な処理効果推定のための最先端データ駆動手法について調査する。
  論文  参考訳（メタデータ） (2023-01-16T21:36:49Z)
• Interpretable Deep Causal Learning for Moderation Effects [0.0]
  本稿では、因果機械学習モデルにおける解釈可能性と目標正規化の問題に対処する。 本稿では,個別の処理効果を推定するための新しい深層対実学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-06-21T11:21:09Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Deep Treatment-Adaptive Network for Causal Inference [15.695128606661294]
  因果推論は治療効果(すなわち治療の因果効果)を推定することができる この研究の根本的な課題は、観察データにおける治療代入バイアスである。
  論文  参考訳（メタデータ） (2021-12-27T04:11:23Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• 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)
• On Inductive Biases for Heterogeneous Treatment Effect Estimation [91.3755431537592]
  我々は、異なる治療下で、個人の潜在的成果(PO)の構造的類似性を利用する方法について検討する。 この問題を克服するために、エンドツーエンドの学習戦略を3つ比較する。
  論文  参考訳（メタデータ） (2021-06-07T16:30:46Z)
• Learning Decomposed Representation for Counterfactual Inference [53.36586760485262]
  観察データから治療効果を推定する際の根本的な問題は、共同設立者の識別とバランスである。 これまでの方法の多くは、観察されたすべての事前処理変数を共同創設者として扱い、共同創設者と非共同創設者の識別をさらに無視することで、共同ファウンダーのバランスを実現していた。 本研究では,1)共同創設者と非共同創設者の両方の表現を学習することで共同創設者を同定し,2)再重み付け手法のバランスをとるとともに,同時に,反実的推論による観察研究における治療効果を推定する相乗的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-12T09:50:42Z)

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。