論文の概要: KANITE: Kolmogorov-Arnold Networks for ITE estimation

• arxiv url: http://arxiv.org/abs/2503.13912v1
• Date: Tue, 18 Mar 2025 05:16:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:16:58.052239
• Title: KANITE: Kolmogorov-Arnold Networks for ITE estimation
• Title（参考訳）: カニテ:ITE推定のためのコルモゴロフ・アルノルドネットワーク
• Authors: Eshan Mehendale, Abhinav Thorat, Ravi Kolla, Niranjan Pedanekar,
• Abstract要約: 因果推論における複数の処理条件下での個別処理効果(ITE)推定にコルモゴロフ・アルノルドネットワーク(KAN)を利用するフレームワークであるKanITEを紹介する。
• 参考スコア（独自算出の注目度）: 3.087385668501741
• License:
• Abstract: We introduce KANITE, a framework leveraging Kolmogorov-Arnold Networks (KANs) for Individual Treatment Effect (ITE) estimation under multiple treatments setting in causal inference. By utilizing KAN's unique abilities to learn univariate activation functions as opposed to learning linear weights by Multi-Layer Perceptrons (MLPs), we improve the estimates of ITEs. The KANITE framework comprises two key architectures: 1.Integral Probability Metric (IPM) architecture: This employs an IPM loss in a specialized manner to effectively align towards ITE estimation across multiple treatments. 2. Entropy Balancing (EB) architecture: This uses weights for samples that are learned by optimizing entropy subject to balancing the covariates across treatment groups. Extensive evaluations on benchmark datasets demonstrate that KANITE outperforms state-of-the-art algorithms in both $\epsilon_{\text{PEHE}}$ and $\epsilon_{\text{ATE}}$ metrics. Our experiments highlight the advantages of KANITE in achieving improved causal estimates, emphasizing the potential of KANs to advance causal inference methodologies across diverse application areas.
• Abstract（参考訳）: 因果推論における複数の処理条件下での個別処理効果(ITE)推定にコルモゴロフ・アルノルドネットワーク(KAN)を利用するフレームワークであるKanITEを紹介する。 MLP(Multi-Layer Perceptrons)による線形重み学習とは対照的に、一変量活性化関数を学習するカンのユニークな能力を利用することで、ITTの推定値を改善する。 Integral Probability Metric (IPM: Integral Probability Metric) アーキテクチャ: 複数の処理にまたがってITE推定を効果的に行うために、特殊的にIPM損失を利用する。 2。 エントロピー・バランシング(EB: Entropy Balancing)アーキテクチャ: これは、エントロピー対象を最適化し、治療グループ間で共変量のバランスをとることによって学習されるサンプルの重みを使用する。 ベンチマークデータセットの大規模な評価によると、KanITEは、$\epsilon_{\text{PEHE}}$と$\epsilon_{\text{ATE}}$メトリクスの両方で最先端のアルゴリズムより優れている。 本実験は,様々な分野における因果推定手法の進歩にかんの可能性を強調して,改良された因果推定を実現する上でのかなえの利点を強調した。

関連論文リスト

• A Meta-learner for Heterogeneous Effects in Difference-in-Differences [17.361857058902494]
  条件付き平均処理効果(CATT)の評価のための二重頑健なメタラーナを提案する。 我々のフレームワークは、汎用機械学習を用いて、興味のある変数の任意のサブセットを条件付ける際に、CATTの柔軟な推定を可能にする。
  論文  参考訳（メタデータ） (2025-02-07T07:04:37Z)
• A preliminary study on continual learning in computer vision using Kolmogorov-Arnold Networks [43.70716358136333]
  Kolmogorov-Networks (KAN) は基本的に異なる数学的枠組みに基づいている。 Kansは継続的学習シナリオの忘れなど,いくつかの大きな問題に対処している。 コンピュータビジョンにおける連続的な学習課題における感性の評価によって調査を拡大する。
  論文  参考訳（メタデータ） (2024-09-20T14:49:21Z)
• Preference-Based Multi-Agent Reinforcement Learning: Data Coverage and Algorithmic Techniques [65.55451717632317]
  PbMARL(Preference-based Multi-Agent Reinforcement Learning)について検討する。 一般ゲームにおける嗜好のみのオフラインデータセットからナッシュ平衡を同定する。 以上の結果から,PbMARLの多面的アプローチが示唆された。
  論文  参考訳（メタデータ） (2024-09-01T13:14:41Z)
• Top-K Pairwise Ranking: Bridging the Gap Among Ranking-Based Measures for Multi-Label Classification [120.37051160567277]
  本稿では,Top-K Pairwise Ranking(TKPR)という新しい尺度を提案する。 一連の分析により、TKPRは既存のランキングベースの尺度と互換性があることが示されている。 一方,データ依存縮約法という新しい手法に基づいて,提案手法の急激な一般化を確立する。
  論文  参考訳（メタデータ） (2024-07-09T09:36:37Z)
• Robust CATE Estimation Using Novel Ensemble Methods [0.8246494848934447]
  臨床治験における条件平均治療効果(CATE)の評価は治療効果の不均一性の理解に不可欠である。 本研究は,多種多様なシナリオにまたがって,因果林や多種多様なメタラーナーなどの共通手法の性能を評価する。 予測安定性と性能を向上させるために,複数の推定器を統合する2つの新しいアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2024-07-04T07:23:02Z)
• Kolmogorov-Smirnov GAN [52.36633001046723]
  我々は、KSGAN(Kolmogorov-Smirnov Generative Adversarial Network)という新しい深層生成モデルを提案する。 既存のアプローチとは異なり、KSGANはKS距離の最小化として学習プロセスを定式化している。
  論文  参考訳（メタデータ） (2024-06-28T14:30:14Z)
• Estimation of individual causal effects in network setup for multiple treatments [4.53340898566495]
  個別治療効果 (ITE) の推定問題について, 複数の治療と観察データを用いて検討した。 我々は、共同創設者の共有表現を学ぶために、Graph Convolutional Networks(GCN)を採用しています。 アプローチでは、個別のニューラルネットワークを使用して、各治療の潜在的な結果を推測する。
  論文  参考訳（メタデータ） (2023-12-18T06:07:45Z)
• When AUC meets DRO: Optimizing Partial AUC for Deep Learning with Non-Convex Convergence Guarantee [51.527543027813344]
  単方向および二方向部分AUC(pAUC)の系統的および効率的な勾配法を提案する。 一方通行と一方通行の pAUC に対して,2つのアルゴリズムを提案し,それぞれ2つの定式化を最適化するための収束性を証明した。
  論文  参考訳（メタデータ） (2022-03-01T01:59:53Z)
• Toward Robust Drug-Target Interaction Prediction via Ensemble Modeling and Transfer Learning [0.0]
  本稿では,DTI予測のための深層学習モデル(EnsembleDLM)のアンサンブルを紹介する。 EnsembleDLMは、化学物質やタンパク質の配列情報のみを使用し、複数のディープニューラルネットワークからの予測を集約する。 DavisとKIBAのデータセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-07-02T04:00:03Z)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)
• 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)

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。