論文の概要: Bayesian implementation of Targeted Maximum Likelihood Estimation for uncertainty quantification in causal effect estimation

• arxiv url: http://arxiv.org/abs/2507.15909v1
• Date: Mon, 21 Jul 2025 15:46:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-23 21:34:13.811222
• Title: Bayesian implementation of Targeted Maximum Likelihood Estimation for uncertainty quantification in causal effect estimation
• Title（参考訳）: 因果効果推定における不確実性定量化のための目標最大値推定のベイズ的実装
• Authors: Saideep Nannapaneni, Joseph Sakaya, Kyle Caron, Pedro HM Albuquerque, Zaid Tashman,
• Abstract要約: 因果関係は、治療による結果の変化を予測するため、意思決定において重要な役割を果たす。 本稿では,3つのベイズ的手法を用いて,最大値推定アルゴリズムを提案する。 提案手法は、バイナリと連続的な結果の2つの例に対して実証され、古典的な実装に対して検証された。
• 参考スコア（独自算出の注目度）: 3.134071086568745
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robust decision making involves making decisions in the presence of uncertainty and is often used in critical domains such as healthcare, supply chains, and finance. Causality plays a crucial role in decision-making as it predicts the change in an outcome (usually a key performance indicator) due to a treatment (also called an intervention). To facilitate robust decision making using causality, this paper proposes three Bayesian approaches of the popular Targeted Maximum Likelihood Estimation (TMLE) algorithm, a flexible semi-parametric double robust estimator, for a probabilistic quantification of uncertainty in causal effects with binary treatment, and binary and continuous outcomes. In the first two approaches, the three TMLE models (outcome, treatment, and fluctuation) are trained sequentially. Since Bayesian implementation of treatment and outcome yields probabilistic predictions, the first approach uses mean predictions, while the second approach uses both the mean and standard deviation of predictions for training the fluctuation model (targeting step). The third approach trains all three models simultaneously through a Bayesian network (called BN-TMLE in this paper). The proposed approaches were demonstrated for two examples with binary and continuous outcomes and validated against classical implementations. This paper also investigated the effect of data sizes and model misspecifications on causal effect estimation using the BN-TMLE approach. Results showed that the proposed BN-TMLE outperformed classical implementations in small data regimes and performed similarly in large data regimes.
• Abstract（参考訳）: ロバストな意思決定は不確実性の存在下での意思決定を伴い、医療、サプライチェーン、金融といった重要な領域でしばしば使用される。 因果性は、治療(介入とも呼ばれる)による結果の変化(通常は重要なパフォーマンス指標)を予測するため、意思決定において重要な役割を果たす。 因果関係を用いたロバストな意思決定を容易にするために,2次処理による因果関係の不確かさの確率的定量化と2次処理および連続的な結果の確率的定量化のために,有意な半パラメトリックな2重ロバスト推定法であるTMLEアルゴリズム(Targeted Maximum Likelihood Estimation)を提案する。 最初の2つのアプローチでは、3つのTMLEモデル(アウトカム、治療、揺らぎ)が順次訓練される。 ベイジアンによる処理と結果の実装は確率的予測をもたらすので、第一のアプローチは平均予測を使い、第二のアプローチは平均と標準の偏差を使って変動モデルを訓練する(目標段階)。 第3のアプローチは、ベイズネットワーク(この論文ではBN-TMLEと呼ばれる)を介して3つのモデルを同時に訓練する。 提案手法は、バイナリと連続的な結果の2つの例に対して実証され、古典的な実装に対して検証された。 また,BN-TMLE を用いた因果効果推定におけるデータサイズとモデル誤特定の影響についても検討した。 その結果,提案したBN-TMLEは小規模なデータレギュレータにおいて従来の実装よりも優れており,大規模データレギュレータでも同じように動作することがわかった。

関連論文リスト

• Black Box Causal Inference: Effect Estimation via Meta Prediction [56.277798874118425]
  因果推論はデータセットレベルの予測問題であり,アルゴリズム設計を学習プロセスにオフロードする。 我々は,ブラックボックス因果推論 (BBCI) と呼ばれる,サンプルデータセットと効果ペアの因果効果の予測を学習することにより,ブラックボックス方式で推定器を構築する。 我々は,いくつかの因果推論問題に対して,BBCIを用いた平均治療効果(ATE)と条件平均治療効果(CATE)を正確に推定した。
  論文  参考訳（メタデータ） (2025-03-07T23:43:19Z)
• Predicting Lemmas in Generalization of IC3 [0.294944680995069]
  本稿では,CTP(Conpot Example to propagation)を利用して,変数をドロップする前に最小限の補題を予測できる新しい手法を提案する。 総括評価は, レムマ予測における満足な成功率と, 提案手法によって達成された顕著な性能向上を示す。
  論文  参考訳（メタデータ） (2024-11-04T08:11:31Z)
• Flexible Nonparametric Inference for Causal Effects under the Front-Door Model [2.6900047294457683]
  本研究では, 平均治療効果, 平均治療効果の両面から, 新規な1段階, 目標最小損失ベース推定装置を開発した。 我々の推定器は観測されたデータ分布のパラメータ化に基づいて構築され、メディエータ密度を完全に回避するアプローチを含む。 因果効果推定器の効率を向上させるためにこれらの制約をどのように活用できるかを示す。
  論文  参考訳（メタデータ） (2023-12-15T22:04:53Z)
• Leveraging Uncertainty Estimates To Improve Classifier Performance [4.4951754159063295]
  バイナリ分類では、正のクラスのモデルスコアが、アプリケーション要求に基づいて選択されたしきい値を超えるかどうかに基づいて、インスタンスのラベルを予測する。 しかし、モデルスコアは真の肯定率と一致しないことが多い。 これは特に、クラス間の差分サンプリングを含むトレーニングや、トレインとテスト設定間の分散ドリフトがある場合に当てはまる。
  論文  参考訳（メタデータ） (2023-11-20T12:40:25Z)
• Sensitivity-Aware Amortized Bayesian Inference [8.753065246797561]
  感度分析は、様々なモデリング選択が統計的分析の結果に与える影響を明らかにする。 ニューラルネットワークを用いたシミュレーションベース推論に感度解析を統合するための多面的アプローチである感性認識型ベイズ推論(SA-ABI)を提案する。 本稿では,本手法が病気発生のダイナミクスや地球温暖化のしきい値から人的意思決定に至るまで,応用モデリング問題における有効性を示す。
  論文  参考訳（メタデータ） (2023-10-17T10:14:10Z)
• Causality-oriented robustness: exploiting general noise interventions [4.64479351797195]
  本稿では因果性指向のロバスト性に着目し,不変勾配(DRIG)を用いた分布ロバスト性を提案する。 DRIGはトレーニングデータにおける一般的なノイズ介入を利用して、目に見えない介入に対する堅牢な予測を行う。 我々のフレームワークには特別なケースとしてアンカー回帰が含まれており、より多様な摂動から保護される予測モデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-07-18T16:22:50Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• 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)
• Bayesian Counterfactual Mean Embeddings and Off-Policy Evaluation [10.75801980090826]
  最終治療効果の期待を推定するための3つの新しいベイズ的手法を提案する。 これらの手法は、考慮された不確実性の原因が異なるため、2つのデータソースを組み合わせることが可能である。 我々はこれらの考え方を非政治評価フレームワークに一般化する。
  論文  参考訳（メタデータ） (2022-11-02T23:39:36Z)
• Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
  本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。 学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。 提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-11T23:31:34Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。