論文の概要: ClusterSC: Advancing Synthetic Control with Donor Selection

• arxiv url: http://arxiv.org/abs/2503.21629v1
• Date: Thu, 27 Mar 2025 15:50:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-28 12:54:29.666905
• Title: ClusterSC: Advancing Synthetic Control with Donor Selection
• Title（参考訳）: ClusterSC: ドナー選択による合成制御の改善
• Authors: Saeyoung Rho, Andrew Tang, Noah Bergam, Rachel Cummings, Vishal Misra,
• Abstract要約: 合成制御(SC)は、観察研究の顕著なツールとして登場した。 最近の研究は個人レベルのデータにその使用を拡大している。 観測単位が多ければ多いほど、このシフトはSCに次元性の呪いをもたらす。 本稿では,集団の行動が内部に整合するが,集団間で分散する,という考え方に基づいて,クラスタ・シンセティック・コントロール(ClusterSC)を提案する。
• 参考スコア（独自算出の注目度）: 10.061649778292821
• License:
• Abstract: In causal inference with observational studies, synthetic control (SC) has emerged as a prominent tool. SC has traditionally been applied to aggregate-level datasets, but more recent work has extended its use to individual-level data. As they contain a greater number of observed units, this shift introduces the curse of dimensionality to SC. To address this, we propose Cluster Synthetic Control (ClusterSC), based on the idea that groups of individuals may exist where behavior aligns internally but diverges between groups. ClusterSC incorporates a clustering step to select only the relevant donors for the target. We provide theoretical guarantees on the improvements induced by ClusterSC, supported by empirical demonstrations on synthetic and real-world datasets. The results indicate that ClusterSC consistently outperforms classical SC approaches.
• Abstract（参考訳）: 観察研究による因果推論では、合成制御(SC)が顕著な道具として現れている。 SCは伝統的に集約レベルデータセットに適用されてきたが、より最近の研究により個々のレベルデータに拡張されている。 観測単位が多ければ多いほど、このシフトはSCに次元性の呪いをもたらす。 そこで本研究では,集団の行動が内部に整合するが,集団間で分散する,という考え方に基づいて,クラスタ・シンセティック・コントロール(ClusterSC)を提案する。 ClusterSCはクラスタ化ステップを組み込んで、ターゲットに関連するドナーのみを選択する。 本稿では,ClusterSCが生み出す改良に関する理論的保証を提供する。 その結果、ClusterSCは古典的なSCアプローチよりも一貫して優れていた。

関連論文リスト

• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Adaptive Self-supervised Robust Clustering for Unstructured Data with Unknown Cluster Number [12.926206811876174]
  適応型自己教師型ロバストクラスタリング(Adaptive Self-supervised Robust Clustering, ASRC)と呼ばれる非構造化データに適した,新たな自己教師型ディープクラスタリング手法を提案する。 ASRCはグラフ構造とエッジ重みを適応的に学習し、局所構造情報と大域構造情報の両方をキャプチャする。 ASRCは、クラスタ数の事前知識に依存するメソッドよりも優れており、非構造化データのクラスタリングの課題に対処する上での有効性を強調している。
  論文  参考訳（メタデータ） (2024-07-29T15:51:09Z)
• Federated Contrastive Learning for Personalized Semantic Communication [55.46383524190467]
  我々は,パーソナライズされたセマンティックコミュニケーションを支援することを目的とした,協調型コントラスト学習フレームワークを設計する。 FedCLは、複数のクライアントにわたるローカルセマンティックエンコーダと、基地局が所有するグローバルセマンティックデコーダの協調トレーニングを可能にする。 分散クライアント間の異種データセットから生じるセマンティック不均衡問題に対処するために,コントラスト学習を用いてセマンティックセントロイドジェネレータを訓練する。
  論文  参考訳（メタデータ） (2024-06-13T14:45:35Z)
• Using Representation Expressiveness and Learnability to Evaluate Self-Supervised Learning Methods [61.49061000562676]
  本稿では,学習可能性を評価するためにCluster Learnability (CL)を導入する。 CLは、K-meansで表現をクラスタリングすることによって得られたラベルを予測するために訓練されたKNNのパフォーマンスで測定される。 CLは、他の競合する評価手法よりも分布内モデルの性能と相関することがわかった。
  論文  参考訳（メタデータ） (2022-06-02T19:05:13Z)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)
• Supporting Clustering with Contrastive Learning [19.71262627336737]
  Unsupervised Clusteringは、表現空間で測定された距離に応じて、データのセマンティックなカテゴリを発見することを目的とする。 異なるカテゴリは、学習プロセスの開始時に表現空間で互いに重なることが多い。 コントラスト学習によるクラスタリングのサポート - コントラスト学習を活用してより良い分離を促進する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-24T03:05:17Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• Contrastive Clustering [57.71729650297379]
  本稿では,インスタンスレベルのコントラスト学習を明示的に行うContrastive Clustering (CC)を提案する。 特にCCは、CIFAR-10(CIFAR-100)データセット上で0.705(0.431)のNMIを達成しており、最高のベースラインと比較して最大19%(39%)のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-09-21T08:54:40Z)
• Graph Convolutional Subspace Clustering: A Robust Subspace Clustering Framework for Hyperspectral Image [6.332208511335129]
  本稿では,HSIクラスタリングのための新しいサブスペースクラスタリングフレームワークであるGraph Convolutional Subspace Clustering (GCSC)を提案する。 具体的には、このフレームワークはデータの自己表現性を非ユークリッド領域に再キャストする。 従来のサブスペースクラスタリングモデルはユークリッドデータを用いたフレームワークの特別な形態であることを示す。
  論文  参考訳（メタデータ） (2020-04-22T10:09:19Z)
• Supervised Enhanced Soft Subspace Clustering (SESSC) for TSK Fuzzy Classifiers [25.32478253796209]
  ファジィc平均クラスタリングアルゴリズムは,高木・スゲノカン(TSK)ファジィ分類器パラメータ推定によく用いられる。 本稿では,クラスタ内コンパクト性,クラスタ間分離,クラスタリングにおけるラベル情報とを同時に考慮した拡張ソフトサブスペースクラスタリング(SESSC)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-27T19:39:19Z)

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。