論文の概要: Federated Causal Inference from Multi-Site Observational Data via Propensity Score Aggregation

• arxiv url: http://arxiv.org/abs/2505.17961v1
• Date: Fri, 23 May 2025 14:32:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:34.153966
• Title: Federated Causal Inference from Multi-Site Observational Data via Propensity Score Aggregation
• Title（参考訳）: Propensity Score Aggregationによるマルチサイト観測データからのフェデレーション因果推論
• Authors: Khellaf Rémi, Bellet Aurélien, Josse Julie,
• Abstract要約: 因果推論は通常、個々のレベルのデータへの集中的なアクセスを仮定する。 フェデレーション学習を用いて、分散化された観測データから平均処理効果(ATE)を推定することにより、この問題に対処する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Causal inference typically assumes centralized access to individual-level data. Yet, in practice, data are often decentralized across multiple sites, making centralization infeasible due to privacy, logistical, or legal constraints. We address this by estimating the Average Treatment Effect (ATE) from decentralized observational data using federated learning, which enables inference through the exchange of aggregate statistics rather than individual-level data. We propose a novel method to estimate propensity scores in a (non-)parametric manner by computing a federated weighted average of local scores, using two theoretically grounded weighting schemes -- Membership Weights (MW) and Density Ratio Weights (DW) -- that balance communication efficiency and model flexibility. These federated scores are then used to construct two ATE estimators: the Federated Inverse Propensity Weighting estimator (Fed-IPW) and its augmented variant (Fed-AIPW). Unlike meta-analysis methods, which fail when any site violates positivity, our approach leverages heterogeneity in treatment assignment across sites to improve overlap. We show that Fed-IPW and Fed-AIPW perform well under site-level heterogeneity in sample sizes, treatment mechanisms, and covariate distributions, with theoretical analysis and experiments on simulated and real-world data highlighting their strengths and limitations relative to meta-analysis and related methods.
• Abstract（参考訳）: 因果推論は通常、個々のレベルのデータへの集中的なアクセスを仮定する。 しかし実際には、データは複数のサイトで分散化され、プライバシー、物流、法的制約によって中央集権化が不可能になることが多い。 本稿では, 個別レベルのデータではなく, 集約統計の交換による推論を可能にするフェデレーション学習を用いて, 分散化された観測データから平均処理効果(ATE)を推定することにより, この問題に対処する。 本研究では,通信効率とモデルの柔軟性を両立させる2つの理論的な重み付けスキーム,メンバシップウェイト (MW) と密度比ウェイト (DW) を用いて,局所スコアの連合重み付け平均を計算し,(非パラメトリックな方法で確率スコアを推定する手法を提案する。 これらのフェデレーションスコアは、Fed-IPW(Federated Inverse Propensity Weighting estimator)とFed-AIPW(Fed-AIPW)という2つのATE推定器を構築するために使用される。 いずれかのサイトが肯定性に反した場合にフェールするメタアナリシス法とは異なり、本手法は、サイト間の処理割り当てにおける不均一性を活用してオーバーラップを改善する。 我々は,Fed-IPWとFed-AIIPWが,サンプルサイズ,処理機構,共変量分布においてサイトレベルの不均一性の下で良好に機能することを示し,メタアナリシスおよび関連手法に関するその強度と限界を明らかにするシミュレーションおよび実世界のデータに関する理論的解析と実験を行った。

関連論文リスト

• Assumption-Lean Post-Integrated Inference with Negative Control Outcomes [0.0]
  負の制御結果を用いて遅延不均一性を調整する頑健なポストインテグレート推論(PII)手法を提案する。 提案手法は,予測された直接効果推定値,隠された仲介者,共同設立者,モデレーターまで拡張する。 提案された二重頑健な推定器は、最小の仮定と潜在的な不特定性の下で一貫性があり、効率的である。
  論文  参考訳（メタデータ） (2024-10-07T12:52:38Z)
• Reducing Spurious Correlation for Federated Domain Generalization [15.864230656989854]
  オープンワールドのシナリオでは、グローバルモデルは特定のメディアによってキャプチャされた全く新しいドメインデータをうまく予測するのに苦労する可能性がある。 既存の手法はまだこの問題に対処するために、サンプルとラベルの間の強い統計的相関に頼っている。 ローカルレベルとグローバルレベルでの全体的な最適化フレームワークであるFedCDを紹介します。
  論文  参考訳（メタデータ） (2024-07-27T05:06:31Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Aggregation Weighting of Federated Learning via Generalization Bound Estimation [65.8630966842025]
  フェデレートラーニング(FL)は通常、サンプル比率によって決定される重み付けアプローチを使用して、クライアントモデルパラメータを集約する。 上記の重み付け法を,各局所モデルの一般化境界を考慮した新しい戦略に置き換える。
  論文  参考訳（メタデータ） (2023-11-10T08:50:28Z)
• FedAgg: Adaptive Federated Learning with Aggregated Gradients [1.5653612447564105]
  我々はFedAggと呼ばれる適応型FEDerated Learningアルゴリズムを提案し、局所モデルパラメータと平均モデルパラメータのばらつきを緩和し、高速モデル収束率を得る。 IIDおよび非IIDデータセット下でのモデル性能の向上と収束速度の促進を目的として,本手法が既存のFL戦略よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-28T08:07:28Z)
• FedSkip: Combatting Statistical Heterogeneity with Federated Skip Aggregation [95.85026305874824]
  我々はFedSkipと呼ばれるデータ駆動型アプローチを導入し、フェデレーション平均化を定期的にスキップし、ローカルモデルをクロスデバイスに分散することで、クライアントの最適化を改善する。 我々は、FedSkipがはるかに高い精度、より良いアグリゲーション効率、競合する通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2022-12-14T13:57:01Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• Self-balanced Learning For Domain Generalization [64.99791119112503]
  ドメインの一般化は、モデルが未知の統計を持つ対象のドメインに一般化できるように、マルチドメインのソースデータの予測モデルを学ぶことを目的としている。 既存のアプローチのほとんどは、ソースデータがドメインとクラスの両方の観点からバランスよく調整されているという前提の下で開発されている。 本稿では,多領域ソースデータの分布の違いによるバイアスを軽減するために,損失の重み付けを適応的に学習する自己均衡型領域一般化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-31T03:17:54Z)
• Federated Causal Inference in Heterogeneous Observational Data [13.460660554484512]
  我々は、複数のサイトにおいて、各サイトごとにデータをローカルに保存している個人に対して、治療の効果を推定することに興味がある。 プライバシー上の制約により、個々のレベルのデータはサイト間で共有できない。 これらの考察により,総合データの平均処理効果を推定するフェデレーション手法を開発した。
  論文  参考訳（メタデータ） (2021-07-25T05:55:00Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)

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。