論文の概要: Deep Causal Inference for Point-referenced Spatial Data with Continuous Treatments
- arxiv url: http://arxiv.org/abs/2412.04285v1
- Date: Thu, 05 Dec 2024 16:06:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-06 14:39:56.610717
- Title: Deep Causal Inference for Point-referenced Spatial Data with Continuous Treatments
- Title(参考訳): 連続処理による点参照空間データの深部因果推論
- Authors: Ziyang Jiang, Zach Calhoun, Yiling Liu, Lei Duan, David Carlson,
- Abstract要約: 本稿では,空間干渉と観測不能なコンバウンディングを管理するために,近似ガウス過程と統合されたニューラルネットワーク(NN)ベースのフレームワークを提案する。
衛星画像から推定した合成,半合成,実世界のデータを用いて,我々の枠組みを評価する。
- 参考スコア(独自算出の注目度): 2.2236425765564753
- License:
- Abstract: Causal reasoning is often challenging with spatial data, particularly when handling high-dimensional inputs. To address this, we propose a neural network (NN) based framework integrated with an approximate Gaussian process to manage spatial interference and unobserved confounding. Additionally, we adopt a generalized propensity-score-based approach to address partially observed outcomes when estimating causal effects with continuous treatments. We evaluate our framework using synthetic, semi-synthetic, and real-world data inferred from satellite imagery. Our results demonstrate that NN-based models significantly outperform linear spatial regression models in estimating causal effects. Furthermore, in real-world case studies, NN-based models offer more reasonable predictions of causal effects, facilitating decision-making in relevant applications.
- Abstract(参考訳): 因果推論は空間データ、特に高次元入力を扱う場合、しばしば困難である。
そこで本稿では,空間干渉と観測不能なコンバウンディングを管理するために,近似ガウス過程と統合されたニューラルネットワーク(NN)ベースのフレームワークを提案する。
さらに, 因果効果を連続的治療で推定する場合に, 部分的に観察された結果に対処するために, 一般化された確率スコアに基づくアプローチを採用する。
衛星画像から推定した合成,半合成,実世界のデータを用いて,我々の枠組みを評価する。
その結果,NNモデルの方が線形空間回帰モデルよりも格段に優れており,因果効果が推定できることがわかった。
さらに、実世界のケーススタディでは、NNベースのモデルは因果関係のより合理的な予測を提供し、関連するアプリケーションにおける意思決定を促進する。
関連論文リスト
- ProPINN: Demystifying Propagation Failures in Physics-Informed Neural Networks [71.02216400133858]
物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)の解法において高い期待を得た
以前の研究では、PINNの伝播不良現象が観察された。
本論文は,伝播不良とその根本原因について,初めて公式かつ詳細な研究を行ったものである。
論文 参考訳(メタデータ) (2025-02-02T13:56:38Z) - Dense ReLU Neural Networks for Temporal-spatial Model [13.8173644075917]
非パラメトリック推定にRectified Linear Unit (ReLU) アクティベーション機能を利用する完全接続深層ニューラルネットワークに着目する。
我々は、観測された測定における時間的および空間的依存に対処するため、収束率につながる非漸近境界を導出する。
我々はまた、多様体上のデータをモデル化し、高次元データの本質的な次元性を探求することで、次元性の呪いに取り組む。
論文 参考訳(メタデータ) (2024-11-15T05:30:36Z) - Neural variational Data Assimilation with Uncertainty Quantification using SPDE priors [28.804041716140194]
ディープラーニングコミュニティの最近の進歩は、ニューラルネットワークと変分データ同化フレームワークを通じて、この問題に対処することができる。
本研究では、部分微分方程式(SPDE)とガウス過程(GP)の理論を用いて状態の空間的および時間的共分散を推定する。
論文 参考訳(メタデータ) (2024-02-02T19:18:12Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳(メタデータ) (2023-11-13T01:48:08Z) - CausalBench: A Large-scale Benchmark for Network Inference from
Single-cell Perturbation Data [61.088705993848606]
本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。
CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
論文 参考訳(メタデータ) (2022-10-31T13:04:07Z) - Dimension-Free Average Treatment Effect Inference with Deep Neural
Networks [6.704751710867747]
本稿では,Deep Neural Network (DNN) を用いた平均治療効果 (ATE) の推定と推定について検討する。
本稿では, ATE の DNN 推定値と次元自由整合率との整合性を示す。
論文 参考訳(メタデータ) (2021-12-02T19:28:37Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-08T14:29:07Z) - Hi-CI: Deep Causal Inference in High Dimensions [23.588253984635987]
因果効果を推定するためのディープニューラルネットワーク(DNN)ベースのフレームワークであるHi-CIを提案する。
合成および実世界のNEWSデータセットを用いたHi-CIネットワークの因果効果予測の有効性を実証する。
論文 参考訳(メタデータ) (2020-08-22T15:41:59Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳(メタデータ) (2020-02-21T23:10:50Z)
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。