論文の概要: Representation Learning Preserving Ignorability and Covariate Matching for Treatment Effects
- arxiv url: http://arxiv.org/abs/2504.20579v1
- Date: Tue, 29 Apr 2025 09:33:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:54.825607
- Title: Representation Learning Preserving Ignorability and Covariate Matching for Treatment Effects
- Title（参考訳）: 治療効果の無視性と共変量マッチングを保存する表現学習
- Authors: Praharsh Nanavati, Ranjitha Prasad, Karthikeyan Shanmugam,
- Abstract要約: 観測データから治療効果を推定することは, 隠れたコンバウンディングにより困難である。
隠れた欠点と選択バイアスの両方に対処する共通のフレームワークが欠落している。
- 参考スコア（独自算出の注目度）: 18.60804431844023
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating treatment effects from observational data is challenging due to two main reasons: (a) hidden confounding, and (b) covariate mismatch (control and treatment groups not having identical distributions). Long lines of works exist that address only either of these issues. To address the former, conventional techniques that require detailed knowledge in the form of causal graphs have been proposed. For the latter, covariate matching and importance weighting methods have been used. Recently, there has been progress in combining testable independencies with partial side information for tackling hidden confounding. A common framework to address both hidden confounding and selection bias is missing. We propose neural architectures that aim to learn a representation of pre-treatment covariates that is a valid adjustment and also satisfies covariate matching constraints. We combine two different neural architectures: one based on gradient matching across domains created by subsampling a suitable anchor variable that assumes causal side information, followed by the other, a covariate matching transformation. We prove that approximately invariant representations yield approximate valid adjustment sets which would enable an interval around the true causal effect. In contrast to usual sensitivity analysis, where an unknown nuisance parameter is varied, we have a testable approximation yielding a bound on the effect estimate. We also outperform various baselines with respect to ATE and PEHE errors on causal benchmarks that include IHDP, Jobs, Cattaneo, and an image-based Crowd Management dataset.
- Abstract（参考訳）: 2つの主な理由から、観察データから治療効果を推定することは困難である。
(a)隠された結界、及び
b)共変量ミスマッチ(同一分布を持たない対照群及び治療群)
これらの問題に対処する長い研究線が存在する。
従来,因果グラフの形で詳細な知識を必要とする手法が提案されてきた。
後者では、共変量マッチングと重み付け法が用いられている。
近年, テスト可能な不整合と部分的側情報を組み合わせることで, 隠れたコンファウンディングに対処する研究が進んでいる。
隠れた欠点と選択バイアスの両方に対処する共通のフレームワークが欠落している。
本稿では, 適切な調整を行うとともに, 共変量マッチング制約を満たす前処理共変量表現の学習を目的としたニューラルアーキテクチャを提案する。
ひとつは、因果側情報を仮定する適切なアンカー変数をサブサンプリングすることで生成されたドメイン間の勾配マッチングに基づいており、もうひとつは共変量マッチング変換である。
ほぼ不変な表現は、真の因果効果の周囲の間隔を許容する近似的な有効な調整セットが得られることを証明した。
未知のニュアンスパラメータが変化する通常の感度解析とは対照的に,実測値に有界な近似が得られる。
また、IHDP、Jobs、Cataneo、画像ベースのCrowd Managementデータセットを含む因果ベンチマークにおいて、ATEおよびPEHEエラーに関して、さまざまなベースラインを上回ります。
関連論文リスト
- A Two-Stage Interpretable Matching Framework for Causal Inference [0.6215404942415159]
観測データからの因果推論のマッチングは、類似した共変量分布を持つ治療群と制御群を構築することを目的としている。
透過的かつ解釈可能な共変マッチングのための新しい2段階の解釈可能なマッチングフレームワークを提案する。
条件付き平均治療効果(CATE)を推定するために,これらの高品質なマッチングを用いる。
以上の結果から,TIMはCATE推定を改善し,多変量重なりを増大させ,高次元データに対して効果的にスケールできることが示唆された。
論文 参考訳（メタデータ） (2025-04-13T16:17:52Z) - Towards Self-Supervised Covariance Estimation in Deep Heteroscedastic Regression [102.24287051757469]
深部異方性回帰における自己教師付き共分散推定について検討する。
正規分布の間の2-ワッサーシュタイン距離の上界を導出する。
幅広い合成データセットと実データセットに対する実験により、提案された2-ワッサーシュタインと擬似ラベルアノテーションが結合した結果、計算的に安価で正確な深部ヘテロ代用回帰が導かれることが示された。
論文 参考訳（メタデータ） (2025-02-14T22:37:11Z) - Robustly estimating heterogeneity in factorial data using Rashomon Partitions [4.76518127830168]
我々は、羅生門分割集合(RPS)と呼ばれる別の視点を開発する。
RPSは、たとえ実質的に異なる説明を提供するとしても、最大アフターディパーティションの近くに後続値を持つすべてのパーティションを組み込む。
提案手法を,チャリタブルギフトの価格効果,染色体構造(テロメア長),マイクロファイナンス導入の3つの経験的設定に適用した。
論文 参考訳（メタデータ） (2024-04-02T17:53:28Z) - Causal Inference from Text: Unveiling Interactions between Variables [20.677407402398405]
既存の方法は、治療と結果の両方に影響を及ぼす共変量しか説明できない。
このバイアスは、衝突しない共変量について十分に考慮されていないことから生じる。
本研究では,変数間の相互作用を明らかにすることにより,バイアスを軽減することを目的とする。
論文 参考訳（メタデータ） (2023-11-09T11:29:44Z) - TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。
近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。
1)予測共分散は予測平均のランダム性を真に捉えているか?
その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文 参考訳（メタデータ） (2023-10-29T09:54:03Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳（メタデータ） (2023-06-01T10:51:58Z) - CEnt: An Entropy-based Model-agnostic Explainability Framework to
Contrast Classifiers' Decisions [2.543865489517869]
我々は任意の分類器の予測を局所的に対比する新しい手法を提案する。
コントラストエントロピーに基づく説明法CEntは、決定木によって局所的にモデルを近似し、異なる特徴分割のエントロピー情報を算出する。
CEntは、不変性(人種など)と半不変性(年齢が増加する方向にしか変化しない)を満足しながら、トレーニングデータに必ずしも存在しない多様な反事実を生成する最初の非漸進的コントラスト法である。
論文 参考訳（メタデータ） (2023-01-19T08:23:34Z) - Partial Identification with Noisy Covariates: A Robust Optimization
Approach [94.10051154390237]
観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。
このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。
合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
論文 参考訳（メタデータ） (2022-02-22T04:24:26Z) - Deconfounding Scores: Feature Representations for Causal Effect
Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。
分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。
特に,この手法が標準正規化の魅力的な代替となることを示す。
論文 参考訳（メタデータ） (2021-04-12T18:50:11Z) - Invariant Representation Learning for Treatment Effect Estimation [12.269209356327526]
ほぼ不変な因果推定(NICE)を開発する。
NICEは、不変リスク最小化(IRM) [Arj19] を使用して、ある仮定の下では、悪い制御を除去するが、相反を調整するための十分な情報を保持する、共変量の表現を学習する。
我々は合成データと半合成データの両方でNICEを評価する。
論文 参考訳（メタデータ） (2020-11-24T20:53:24Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳（メタデータ） (2020-06-19T05:08:43Z)
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。