論文の概要: Black Box Causal Inference: Effect Estimation via Meta Prediction

• arxiv url: http://arxiv.org/abs/2503.05985v1
• Date: Fri, 07 Mar 2025 23:43:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:53:09.859092
• Title: Black Box Causal Inference: Effect Estimation via Meta Prediction
• Title（参考訳）: ブラックボックス因果推論:メタ予測による効果推定
• Authors: Lucius E. J. Bynum, Aahlad Manas Puli, Diego Herrero-Quevedo, Nhi Nguyen, Carlos Fernandez-Granda, Kyunghyun Cho, Rajesh Ranganath,
• Abstract要約: 因果推論はデータセットレベルの予測問題であり,アルゴリズム設計を学習プロセスにオフロードする。 我々は,ブラックボックス因果推論 (BBCI) と呼ばれる,サンプルデータセットと効果ペアの因果効果の予測を学習することにより,ブラックボックス方式で推定器を構築する。 我々は,いくつかの因果推論問題に対して,BBCIを用いた平均治療効果(ATE)と条件平均治療効果(CATE)を正確に推定した。
• 参考スコア（独自算出の注目度）: 56.277798874118425
• License:
• Abstract: Causal inference and the estimation of causal effects plays a central role in decision-making across many areas, including healthcare and economics. Estimating causal effects typically requires an estimator that is tailored to each problem of interest. But developing estimators can take significant effort for even a single causal inference setting. For example, algorithms for regression-based estimators, propensity score methods, and doubly robust methods were designed across several decades to handle causal estimation with observed confounders. Similarly, several estimators have been developed to exploit instrumental variables (IVs), including two-stage least-squares (TSLS), control functions, and the method-of-moments. In this work, we instead frame causal inference as a dataset-level prediction problem, offloading algorithm design to the learning process. The approach we introduce, called black box causal inference (BBCI), builds estimators in a black-box manner by learning to predict causal effects from sampled dataset-effect pairs. We demonstrate accurate estimation of average treatment effects (ATEs) and conditional average treatment effects (CATEs) with BBCI across several causal inference problems with known identification, including problems with less developed estimators.
• Abstract（参考訳）: 因果推論と因果効果の推定は、医療や経済学を含む多くの分野における意思決定において中心的な役割を果たす。 因果効果を推定するには、典型的には興味のある問題ごとに調整された推定器が必要である。 しかし、推定器の開発には1つの因果推論の設定にも多大な労力がかかる可能性がある。 例えば、回帰に基づく推定器、確率スコア法、および二重頑健な手法のアルゴリズムは、数十年にわたって、観察された共同設立者による因果推定を扱うように設計された。 同様に、2段最小二乗法(TSLS)、制御関数、モーメントの方法など、計器変数(IV)を利用するためのいくつかの推定器が開発されている。 そこで本研究では,因果推論をデータセットレベルの予測問題として,アルゴリズム設計を学習プロセスにオフロードする手法を提案する。 ブラックボックス因果推論(BBCI)と呼ばれるアプローチは、サンプルデータセットと効果ペアから因果効果を予測することを学ぶことによって、ブラックボックス方式で推定器を構築する。 我々は,BBCIによる平均治療効果(ATE)と条件付き平均治療効果(CATE)の正確な推定を,未知の同定を含むいくつかの因果推論問題において実証した。

関連論文リスト

• Targeted Machine Learning for Average Causal Effect Estimation Using the Front-Door Functional [3.0232957374216953]
  結果に対する治療の平均因果効果(ACE)を評価することは、しばしば観察研究における要因の相違によって引き起こされる課題を克服することを伴う。 本稿では,目標最小損失推定理論に基づいて,正面基準の新たな推定手法を提案する。 本研究では,早期学業成績が今後の年収に与える影響を明らかにするために,これらの推定装置の適用性を示す。
  論文  参考訳（メタデータ） (2023-12-15T22:04:53Z)
• Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation [137.3520153445413]
  下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。 我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。 研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
  論文  参考訳（メタデータ） (2023-07-11T02:58:10Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• NESTER: An Adaptive Neurosymbolic Method for Causal Effect Estimation [37.361149306896024]
  観測データからの因果効果推定は因果推論における中心的な問題である。 我々はニューロシンボリック因果効果推定器(NESTER)という適応手法を提案する。 我々の総合的な実験結果から、NESTERはベンチマークデータセットの最先端手法よりも優れた性能を示している。
  論文  参考訳（メタデータ） (2022-11-08T16:48:46Z)
• An evaluation framework for comparing causal inference models [3.1372269816123994]
  提案手法を用いて、いくつかの最先端因果効果推定モデルを比較した。 このアプローチの背後にある主な動機は、少数のインスタンスやシミュレーションがベンチマークプロセスに与える影響を取り除くことである。
  論文  参考訳（メタデータ） (2022-08-31T21:04:20Z)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [62.44901952244514]
  条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。 集約分析では、通常は分布処理効果(DTE)の測定によって対処される。 我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• 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)
• Causal Effect Estimation using Variational Information Bottleneck [19.6760527269791]
  因果推論とは、介入が適用されるときの因果関係における因果効果を推定することである。 変分情報ボトルネック(CEVIB)を用いて因果効果を推定する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T13:46:12Z)
• Confounding Feature Acquisition for Causal Effect Estimation [6.174721516017138]
  我々は,この課題を因果推論のための特徴獲得の問題として捉えている。 我々のゴールは、効率的な平均治療効果の推定につながるサンプルにおいて、行方不明の共同創業者の固定的で既知のサブセットの取得値を優先順位付けすることです。
  論文  参考訳（メタデータ） (2020-11-17T16:28:43Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)

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。