論文の概要: Self Balancing Neural Network: A Novel Method to Estimate Average Treatment Effect
- arxiv url: http://arxiv.org/abs/2507.12818v1
- Date: Thu, 17 Jul 2025 06:22:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-18 20:10:24.362229
- Title: Self Balancing Neural Network: A Novel Method to Estimate Average Treatment Effect
- Title（参考訳）: 自己バランスニューラルネットワーク:平均処理効果を推定するための新しい手法
- Authors: Atomsa Gemechu Abdisa, Yingchun Zhou, Yuqi Qiu,
- Abstract要約: 自己バランスニューラルネットワーク(Sbnet)は、モデル自体がバランシングネットから擬似確率スコアを得ることを可能にする。
提案した自己分散ニューラルネットワークは最先端の手法よりも優れた性能を示すことが示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In observational studies, confounding variables affect both treatment and outcome. Moreover, instrumental variables also influence the treatment assignment mechanism. This situation sets the study apart from a standard randomized controlled trial, where the treatment assignment is random. Due to this situation, the estimated average treatment effect becomes biased. To address this issue, a standard approach is to incorporate the estimated propensity score when estimating the average treatment effect. However, these methods incur the risk of misspecification in propensity score models. To solve this issue, a novel method called the "Self balancing neural network" (Sbnet), which lets the model itself obtain its pseudo propensity score from the balancing net, is proposed in this study. The proposed method estimates the average treatment effect by using the balancing net as a key part of the feedforward neural network. This formulation resolves the estimation of the average treatment effect in one step. Moreover, the multi-pseudo propensity score framework, which is estimated from the diversified balancing net and used for the estimation of the average treatment effect, is presented. Finally, the proposed methods are compared with state-of-the-art methods on three simulation setups and real-world datasets. It has been shown that the proposed self-balancing neural network shows better performance than state-of-the-art methods.
- Abstract（参考訳）: 観察的研究において、相反する変数は治療と結果の両方に影響を及ぼす。
さらに、機器変数は治療の割り当て機構にも影響を及ぼす。
この状況は、治療代入がランダムである標準的なランダム化制御試験とは別物として研究を行う。
この状況により、推定平均処理効果はバイアスとなる。
この問題に対処するためには、平均治療効果を推定する際、推定された妥当性スコアを組み込むことが標準的手法である。
しかし、これらの手法は確率スコアモデルにおいて誤特定のリスクを生じさせる。
この問題を解決するために、モデル自体がバランシングネットから擬似確率スコアを得ることのできる「自己バランスニューラルネットワーク」(Sbnet)と呼ばれる新しい手法が提案されている。
提案手法は,バランシングネットをフィードフォワードニューラルネットワークのキー部分として利用することにより,平均処理効果を推定する。
この定式化は、平均処理効果を1ステップで推定する。
さらに, 分散バランスネットから推定し, 平均処理効果の推定に用いるマルチ擬似確率スコアフレームワークを提案する。
最後に,提案手法を3つのシミュレーション・セットアップと実世界のデータセットの最先端手法と比較した。
提案した自己分散ニューラルネットワークは最先端の手法よりも優れた性能を示すことが示されている。
関連論文リスト
- Practical Improvements of A/B Testing with Off-Policy Estimation [51.25970890274447]
従来の手法よりも分散度を低くする非バイアスのオフ・ポリティクス推定器のファミリーを導入する。
提案手法の有効性と実用性を理論的に検証した。
論文 参考訳（メタデータ） (2025-06-12T13:11:01Z) - A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。
逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。
本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
論文 参考訳（メタデータ） (2025-05-16T17:00:52Z) - Estimating Distributional Treatment Effects in Randomized Experiments: Machine Learning for Variance Reduction [6.909352249236339]
ランダム化実験における分散処理効果パラメータを推定するための新しい回帰調整法を提案する。
提案手法では,事前処理による協調処理を分散回帰フレームワークに組み込み,機械学習技術を用いて分散処理効果推定器の精度を向上させる。
論文 参考訳（メタデータ） (2024-07-22T20:28:29Z) - Individualized Multi-Treatment Response Curves Estimation using RBF-net with Shared Neurons [1.1119247609126184]
反応曲線の非パラメトリックモデリングは、共有された隠れニューロンを持つ放射基底関数(RBF)-ネットに依存している。
本手法をMIMICデータに適用し, 在宅中絶患者に対するICU滞在時間と12時間SOFAスコアに対する異なる治療方法の効果に関する興味深い知見を得た。
論文 参考訳（メタデータ） (2024-01-29T21:13:01Z) - Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment
Effect Estimation [137.3520153445413]
下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。
我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。
研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
論文 参考訳（メタデータ） (2023-07-11T02:58:10Z) - Causal Inference under Data Restrictions [0.0]
この論文は、不確実性とデータ制限の下での現代の因果推論に焦点を当てている。
これには、ネオアジュバント臨床試験、分散データネットワーク、堅牢な個別化意思決定へのアプリケーションが含まれる。
論文 参考訳（メタデータ） (2023-01-20T20:14:32Z) - NESTER: An Adaptive Neurosymbolic Method for Causal Effect Estimation [37.361149306896024]
観測データからの因果効果推定は因果推論における中心的な問題である。
我々はニューロシンボリック因果効果推定器(NESTER)という適応手法を提案する。
我々の総合的な実験結果から、NESTERはベンチマークデータセットの最先端手法よりも優れた性能を示している。
論文 参考訳（メタデータ） (2022-11-08T16:48:46Z) - Covariate-Balancing-Aware Interpretable Deep Learning models for
Treatment Effect Estimation [15.465045049754336]
本稿では, 高い無知性仮定の下での平均処理推定値のバイアスの上限について提案する。
新たな付加型ニューラルネットワークアーキテクチャを活用することにより、目的関数としてこの上限を実装する。
提案手法は、因果推論のためのベンチマークデータセットを再検討し、最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-03-07T07:42:40Z) - Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。
この課題に対処するための新しいクロスバリデーションのような方法論を提供する。
本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
論文 参考訳（メタデータ） (2021-12-14T17:53:01Z) - Weighting-Based Treatment Effect Estimation via Distribution Learning [14.438302755258547]
本研究では,処理効果推定のための分布学習に基づく重み付け手法を開発した。
提案手法は,最先端の重み付けのみのベンチマーク手法よりも優れている。
2倍のロス率推定フレームワークの下では、その優位性を維持している。
論文 参考訳（メタデータ） (2020-12-26T20:15:44Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳（メタデータ） (2020-12-17T21:10:10Z) - Almost-Matching-Exactly for Treatment Effect Estimation under Network
Interference [73.23326654892963]
本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。
本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
論文 参考訳（メタデータ） (2020-03-02T15:21:20Z)
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。