論文の概要: Sensitivity Analysis to Unobserved Confounding with Copula-based Normalizing Flows
- arxiv url: http://arxiv.org/abs/2508.08752v1
- Date: Tue, 12 Aug 2025 08:57:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-13 21:07:34.357317
- Title: Sensitivity Analysis to Unobserved Confounding with Copula-based Normalizing Flows
- Title（参考訳）: コピュラをベースとした正規化流れによる未観測コンバウンディングに対する感度解析
- Authors: Sourabh Balgi, Marc Braun, Jose M. Peña, Adel Daoud,
- Abstract要約: 本稿では, 因果推論における未観測コンバウンディングに対する感度解析法を提案する。
この手法は、$rho$-GNF というコーパスに基づく因果正規化フローに基づいて構築される。
また,感度解析手法のベイズ版を提案する。
- 参考スコア（独自算出の注目度）: 5.199807441687141
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a novel method for sensitivity analysis to unobserved confounding in causal inference. The method builds on a copula-based causal graphical normalizing flow that we term $\rho$-GNF, where $\rho \in [-1,+1]$ is the sensitivity parameter. The parameter represents the non-causal association between exposure and outcome due to unobserved confounding, which is modeled as a Gaussian copula. In other words, the $\rho$-GNF enables scholars to estimate the average causal effect (ACE) as a function of $\rho$, accounting for various confounding strengths. The output of the $\rho$-GNF is what we term the $\rho_{curve}$, which provides the bounds for the ACE given an interval of assumed $\rho$ values. The $\rho_{curve}$ also enables scholars to identify the confounding strength required to nullify the ACE. We also propose a Bayesian version of our sensitivity analysis method. Assuming a prior over the sensitivity parameter $\rho$ enables us to derive the posterior distribution over the ACE, which enables us to derive credible intervals. Finally, leveraging on experiments from simulated and real-world data, we show the benefits of our sensitivity analysis method.
- Abstract（参考訳）: 本稿では, 因果推論における未観測コンバウンディングに対する感度解析法を提案する。
The method built on a copula-based causal graphical normalizing flow that we called $\rho$-GNF, where $\rho \in [-1,+1]$ is the sensitivity parameter。
このパラメータは、ガウスのパウラとしてモデル化された、観測されていないコンファウンディングによる露光と結果の非因果関係を表す。
言い換えれば、$\rho$-GNFは学者が平均因果効果(ACE)を$\rho$の関数として推定することができ、様々な矛盾する強みを説明できる。
$\rho$-GNF の出力は $\rho_{curve}$ と呼ばれ、仮定された $\rho$ の値の間隔が与えられた ACE のバウンダリを提供する。
$\rho_{curve}$はまた、学者がACEを無効化するのに必要となる欠点のある強度を識別することを可能にする。
また,感度解析手法のベイズ版を提案する。
感度パラメータ$\rho$より前の値を仮定すると、ACE上の後続分布を導出できるので、信頼区間を導出できる。
最後に、シミュレーションおよび実世界のデータから実験を生かし、感度解析法の利点を示す。
関連論文リスト
- Smooth Sensitivity for Geo-Privacy [17.835910182900985]
微分プライバシーの局所モデル (LDP) は、この問題が研究されている主要なモデルである。
Geo-Privacy (GP) は、識別可能性のレベルが$mathrmdist(x_i, x_i')$に比例することを規定している。
微分プライバシーからGeo-Privacyへのスムーズな感度フレームワークを一般化することで、与えられたインスタンスの硬さに合わせてノイズを加えることができます。
論文 参考訳（メタデータ） (2024-05-10T08:32:07Z) - Nearly Optimal Algorithms for Contextual Dueling Bandits from Adversarial Feedback [58.66941279460248]
人からのフィードバックから学ぶことは、大言語モデル(LLM)のような生成モデルを調整する上で重要な役割を果たす
本稿では,このドメイン内のモデルについて考察する。-文脈的デュエルバンディット(contextual dueling bandits)と,正の選好ラベルを相手によって反転させることができる対向フィードバック(reversarial feedback)について考察する。
本稿では,不確実性重み付き最大推定に基づく頑健なコンテキストデュエルバンドイット(RCDB)を提案する。
論文 参考訳（メタデータ） (2024-04-16T17:59:55Z) - $ρ$-GNF: A Copula-based Sensitivity Analysis to Unobserved Confounding Using Normalizing Flows [5.680416078423551]
本研究では,コプラと正規化流を用いた観測研究において,観測不能なコンファウンディングに対する新しい感度解析法を提案する。
$rho$-GNFは、学者が平均因果効果(ACE)を$rho$の関数として推定することを可能にする。
論文 参考訳（メタデータ） (2022-09-15T07:49:23Z) - Dynamic Global Sensitivity for Differentially Private Contextual Bandits [37.413361483987835]
モデルパラメータにラプラスノイズやガウスノイズを付加する木構造機構を用いて、微分プライベートな線形文脈帯域幅アルゴリズムを提案する。
私たちの重要な洞察は、オンライン更新中にモデルが収束するにつれて、パラメータのグローバルな感度は時間の経過とともに減少するということです。
我々は,動的大域感度とそれに対応するアルゴリズムの上側後悔境界によって付加される雑音の量について,厳密な理論的解析を行う。
論文 参考訳（メタデータ） (2022-08-30T22:09:08Z) - Bounding the Width of Neural Networks via Coupled Initialization -- A
Worst Case Analysis [121.9821494461427]
2層ReLUネットワークに必要なニューロン数を著しく削減する方法を示す。
また、事前の作業を改善するための新しい下位境界を証明し、ある仮定の下では、最善を尽くすことができることを証明します。
論文 参考訳（メタデータ） (2022-06-26T06:51:31Z) - Sharper Rates and Flexible Framework for Nonconvex SGD with Client and
Data Sampling [64.31011847952006]
我々は、平均$n$スムーズでおそらくは非カラー関数のほぼ定常点を求める問題を再考する。
我々は$smallsfcolorgreen$を一般化し、事実上あらゆるサンプリングメカニズムで確実に動作するようにします。
我々は、スムーズな非カラー状態における最適境界の最も一般的な、最も正確な解析を提供する。
論文 参考訳（メタデータ） (2022-06-05T21:32:33Z) - Approximate Function Evaluation via Multi-Armed Bandits [51.146684847667125]
既知の滑らかな関数 $f$ の値を未知の点 $boldsymbolmu in mathbbRn$ で推定する問題について検討する。
我々は、各座標の重要性に応じてサンプルを学習するインスタンス適応アルゴリズムを設計し、少なくとも1-delta$の確率で$epsilon$の正確な推定値である$f(boldsymbolmu)$を返す。
論文 参考訳（メタデータ） (2022-03-18T18:50:52Z) - A unified interpretation of the Gaussian mechanism for differential
privacy through the sensitivity index [61.675604648670095]
GMの一般的な3つの解釈、すなわち$(varepsilon, delta)$-DP, f-DP, R'enyi DPは1つのパラメータ$psi$で表現できる。
$psi$は、クエリの感度とノイズ摂動の大きさの2つの基本量をカプセル化することによって、GMとその特性を特徴付ける。
論文 参考訳（メタデータ） (2021-09-22T06:20:01Z) - Provably Efficient Safe Exploration via Primal-Dual Policy Optimization [105.7510838453122]
制約付きマルコフ決定過程(CMDP)を用いた安全強化学習(SRL)問題について検討する。
本稿では,関数近似設定において,安全な探索を行うCMDPの効率の良いオンラインポリシー最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-03-01T17:47:03Z)
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。