論文の概要: Structure Maintained Representation Learning Neural Network for Causal Inference
- arxiv url: http://arxiv.org/abs/2508.01865v1
- Date: Sun, 03 Aug 2025 17:34:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 18:25:22.096891
- Title: Structure Maintained Representation Learning Neural Network for Causal Inference
- Title（参考訳）: 因果推論のための構造保持表現学習ニューラルネットワーク
- Authors: Yang Sun, Wenbin Lu, Yi-Hui Zhou,
- Abstract要約: 我々は,個々の治療効果を推定する上で,表現学習と敵ネットワークの予測精度を向上させる。
表現層の末尾に識別器を訓練し、表現バランスと情報損失をトレードオフする。
シミュレーションおよび実世界の観測データを用いて広範な実験を行い,提案手法が最先端の手法より優れていることを示す。
- 参考スコア（独自算出の注目度）: 8.632520706680165
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent developments in causal inference have greatly shifted the interest from estimating the average treatment effect to the individual treatment effect. In this article, we improve the predictive accuracy of representation learning and adversarial networks in estimating individual treatment effects by introducing a structure keeper which maintains the correlation between the baseline covariates and their corresponding representations in the high dimensional space. We train a discriminator at the end of representation layers to trade off representation balance and information loss. We show that the proposed discriminator minimizes an upper bound of the treatment estimation error. We can address the tradeoff between distribution balance and information loss by considering the correlations between the learned representation space and the original covariate feature space. We conduct extensive experiments with simulated and real-world observational data to show that our proposed Structure Maintained Representation Learning (SMRL) algorithm outperforms state-of-the-art methods. We also demonstrate the algorithms on real electronic health record data from the MIMIC-III database.
- Abstract（参考訳）: 因果推論の最近の進歩は、平均治療効果から個々の治療効果への関心を大いにシフトしている。
本稿では,高次元空間におけるベースライン共変量と対応する表現との相関性を維持する構造キーパーを導入することにより,個々の治療効果を推定する上での表現学習と敵ネットワークの予測精度を向上させる。
表現層の末尾に識別器を訓練し、表現バランスと情報損失をトレードオフする。
提案する判別器は, 処理推定誤差の上限を最小化することを示す。
学習した表現空間と元の共変量特徴空間との相関を考慮し、分配バランスと情報損失のトレードオフに対処できる。
シミュレーションおよび実世界の観測データを用いて広範に実験を行い,提案した構造維持表現学習(Structure Maintained Representation Learning, SMRL)アルゴリズムが最先端の手法より優れていることを示す。
また,MIMIC-IIIデータベースからの実際の電子健康記録データに対するアルゴリズムの実証を行った。
関連論文リスト
- On Discriminative Probabilistic Modeling for Self-Supervised Representation Learning [85.75164588939185]
本研究では,(マルチモーダル)自己教師型表現学習のデータ予測タスクにおいて,連続領域における識別確率モデルについて検討する。
我々は、自己教師付き表現学習における現在のInfoNCEに基づくコントラスト損失の制限を明らかにするために一般化誤差解析を行う。
MISが要求する条件付き確率密度の和を近似する新しい非パラメトリック手法を提案する。
論文 参考訳（メタデータ） (2024-10-11T18:02:46Z) - Generalization bound for estimating causal effects from observational
network data [25.055822137402746]
ネットワークシナリオにおける因果効果推定のための一般化法を導出する。1) 連立確率スコアに基づく再重み付けスキーマ,2) 積分確率メトリック(IPM)に基づく表現学習スキーマ。
そこで本研究では,表現学習で強化した関節適合度スコアに基づく重み付け回帰法を提案する。
論文 参考訳（メタデータ） (2023-08-08T03:14:34Z) - Generalizable Information Theoretic Causal Representation [37.54158138447033]
本稿では,観測データから因果表現を学習するために,仮説因果グラフに基づいて相互情報量で学習手順を規則化することを提案する。
この最適化は、因果性に着想を得た学習がサンプルの複雑さを減らし、一般化能力を向上させるという理論的保証を導出する反ファクト的損失を伴う。
論文 参考訳（メタデータ） (2022-02-17T00:38:35Z) - Cycle-Balanced Representation Learning For Counterfactual Inference [42.229586802733806]
本稿では,Cycle-Balanced Representation Learning for counterfactual Inference (CBRE) に基づく新しいフレームワークを提案する。
具体的には,異なるグループに対して,逆行訓練を用いて頑健なバランスの取れた表現を実現し,一方,元データ特性を循環的に保存する情報ループを構築する。
実世界の3つのデータセットの結果は、CBREが最先端の手法にマッチ/アウトパフォーマンスを示し、反現実的推論に適用できる大きな可能性を持っている。
論文 参考訳（メタデータ） (2021-10-29T01:15:16Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Learning Bias-Invariant Representation by Cross-Sample Mutual
Information Minimization [77.8735802150511]
対象タスクが誤用したバイアス情報を除去するために,クロスサンプル対逆脱バイアス法(CSAD)を提案する。
相関測定は, 対向的偏り評価において重要な役割を担い, クロスサンプル型相互情報推定器によって行われる。
我々は,提案手法の最先端手法に対する利点を検証するために,公開データセットの徹底的な実験を行った。
論文 参考訳（メタデータ） (2021-08-11T21:17:02Z) - Graph Infomax Adversarial Learning for Treatment Effect Estimation with
Networked Observational Data [9.08763820415824]
本稿では,処理効果推定のためのグラフ情報最大適応学習(GIAL)モデルを提案する。
我々は,GIALモデルの性能を2つのベンチマークデータセットで評価し,その結果が最先端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） (2021-06-05T12:30:14Z) - Loss Bounds for Approximate Influence-Based Abstraction [81.13024471616417]
影響に基づく抽象化は、システムの残りの部分が与える「影響」とともに、局所的なサブプロブレムをモデル化することでレバレッジを得ることを目的としている。
本稿では,理論的観点から,そのような手法の性能について考察する。
交叉エントロピーで訓練されたニューラルネットワークは、近似的な影響表現を学習するのに適していることを示す。
論文 参考訳（メタデータ） (2020-11-03T15:33:10Z) - Matching in Selective and Balanced Representation Space for Treatment
Effects Estimation [10.913802831701082]
深層表現学習とマッチングに基づく特徴選択表現マッチング(FSRM)手法を提案する。
本研究では, FSRM法の性能を3つのデータセットで評価し, 現状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） (2020-09-15T02:07:34Z) - Provably Efficient Causal Reinforcement Learning with Confounded
Observational Data [135.64775986546505]
オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。
提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-22T14:49:33Z) - 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。