論文の概要: Learning Treatment Representations for Downstream Instrumental Variable Regression

• arxiv url: http://arxiv.org/abs/2506.02200v1
• Date: Mon, 02 Jun 2025 19:41:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.367787
• Title: Learning Treatment Representations for Downstream Instrumental Variable Regression
• Title（参考訳）: 下流機器変動回帰のための学習的処理表現法
• Authors: Shiangyi Lin, Hui Lan, Vasilis Syrgkanis,
• Abstract要約: 本稿では,表現学習過程において,機器変数を明示的に組み込むことで,治療表現を構築する新しい手法を提案する。 我々の手法は、限られた楽器で高次元内在変数を扱うための枠組みを提供する。
• 参考スコア（独自算出の注目度）: 18.14729078900216
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional instrumental variable (IV) estimators face a fundamental constraint: they can only accommodate as many endogenous treatment variables as available instruments. This limitation becomes particularly challenging in settings where the treatment is presented in a high-dimensional and unstructured manner (e.g. descriptions of patient treatment pathways in a hospital). In such settings, researchers typically resort to applying unsupervised dimension reduction techniques to learn a low-dimensional treatment representation prior to implementing IV regression analysis. We show that such methods can suffer from substantial omitted variable bias due to implicit regularization in the representation learning step. We propose a novel approach to construct treatment representations by explicitly incorporating instrumental variables during the representation learning process. Our approach provides a framework for handling high-dimensional endogenous variables with limited instruments. We demonstrate both theoretically and empirically that fitting IV models on these instrument-informed representations ensures identification of directions that optimize outcome prediction. Our experiments show that our proposed methodology improves upon the conventional two-stage approaches that perform dimension reduction without incorporating instrument information.
• Abstract（参考訳）: 従来の楽器変数 (IV) 推定器は基本的な制約に直面している。 この制限は、高次元的かつ非構造的な方法で治療を行う場合(例えば、病院における患者の治療経路の記述)に特に困難になる。 このような環境では、研究者は通常、IV回帰分析を実装する前に低次元の処理表現を学習するために、教師なし次元減少技術を適用する。 このような手法は,表現学習ステップにおける暗黙の正規化による省略変数バイアスに悩まされる可能性があることを示す。 本稿では,表現学習過程において,機器変数を明示的に組み込むことで,治療表現を構築する新しい手法を提案する。 我々の手法は、限られた楽器で高次元内在変数を扱うための枠組みを提供する。 我々は、これらの計器情報表現にIVモデルを適用することにより、結果予測を最適化する方向の同定が可能であることを理論的および実証的に証明する。 提案手法は,機器情報を組み込まずに次元を縮小する従来の2段階の手法により改善されていることを示す。

関連論文リスト

• GuidedRec: Guiding Ill-Posed Unsupervised Volumetric Recovery [47.758461573050006]
  本稿では, 体積構造の生成モデルを用いて変形を制限し, 正確な推定値を得る方法について述べる。 我々は、挑戦的なデータセットに対する我々のアプローチを評価し、最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-20T12:13:22Z)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Regularized DeepIV with Model Selection [72.17508967124081]
  正規化DeepIV(RDIV)回帰は最小ノルムIV解に収束することができる。 我々の手法は現在の最先端の収束率と一致している。
  論文  参考訳（メタデータ） (2024-03-07T05:38:56Z)
• Nonparametric Instrumental Variable Regression through Stochastic Approximate Gradients [0.3277163122167434]
  集団リスクを直接最小化することにより,NPIV回帰に対処するための関数勾配降下アルゴリズムの定式化方法を示す。 我々は,過大なリスクに対するバウンダリの形で理論的支援を行い,提案手法の優れた安定性と競争性能を示す数値実験を行った。 このアルゴリズムは、ニューラルネットワークやカーネルベースの手法のような柔軟な推定器の選択と、非二次的損失関数を可能にする。
  論文  参考訳（メタデータ） (2024-02-08T12:50:38Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Mostly Harmless Machine Learning: Learning Optimal Instruments in Linear IV Models [3.7599363231894176]
  標準線形機器変数設定に機械学習を組み込むことを正当化する理論的結果を提供する。 楽器から処理変数を予測するために,機械学習とサンプル分割を併用した。 これにより、研究者は治療と器具の間の非線形な共変を抽出することができる。
  論文  参考訳（メタデータ） (2020-11-12T01:55:11Z)
• Learning Deep Features in Instrumental Variable Regression [42.085253974990046]
  IVレグレッションでは、学習は2段階に進み、ステージ1は、機器から治療への線形回帰を行い、ステージ2は、機器に条件付きで、処理から結果への線形回帰を行う。 本稿では, 楽器, 治療, 結果の関係が非線形である場合に対処する手法として, DFIV(Deep Feature instrumental variable regression)を提案する。
  論文  参考訳（メタデータ） (2020-10-14T15:14:49Z)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。