因果推論機械学習

Accedi

approfondimento - 因果推論機械学習

低次元表現を用いた条件平均処理効果(CATE)推定手法では、表現の次元削減によって共変量情報が失われ、バイアスが生じる可能性がある。本研究では、この表現誘導型の共変量バイアスの上限と下限を推定する新しい手法を提案する。

観測データから未知の因果グラフを特定し、平均因果効果の可能な値の集合を同定する新しい局所的因果発見アルゴリズムLDECCを提案する。LDECCは既存の方法と比較して計算効率と因果仮定の面で補完的な性質を持つ。

因果関係を活用した単位選択問題を効率的に解決するために、特殊な算術回路を利用する新しい手法を提案する。この手法は、従来の変数消去アルゴリズムに比べて大幅な高速化を実現できる。

本論文では、未観測の交絡に対する一般化された因果感度分析を行うためのニューラルフレームワークNEURALCSAを提案する。NEURALCSAは、様々な感度モデル、処理タイプ、因果クエリに対応可能であり、理論的保証を持つ。

提案されたC-XGBoostモデルは、XGBoostアルゴリズムの強力な予測能力と、因果推論ニューラルネットワークモデルが両処理群の結果を推定するのに有用な表現を学習する特性を活用することで、因果効果の推定に優れた性能を発揮する。

本論文では、構造的因果モデルにおいて条件付き反事実分布をシミュレーションするアルゴリズムを提案する。このアルゴリズムは、連続変数と離散変数の両方の条件に対応でき、粒子フィルタとして解釈できるため、理論的な保証を持つ。また、このアルゴリズムを用いて、予測モデルの公平性を評価するアプローチも示す。

Chi Siamo

Prodotti | Risorse

Approfondimenti