要約
観察データからの因果効果の推定は、因果推論における中心的な問題です。
潜在的な結果のフレームワークに基づく方法は、帰納的バイアスと因果推論からのヒューリスティックを利用することでこの問題を解決します。
これらの各方法は、ニューラル ネットワーク (NN) アーキテクチャと正則化機能を設計することにより、傾向スコアの制御、ランダム化の強制など、因果効果推定の特定の側面に対処します。
本稿では、因果効果推定のための一般化された手法である Neurosymbolic Causal Effect Estimator (NESTER) と呼ばれる適応型手法を提案します。
NESTER は、因果効果推定のためのマルチヘッド NN に基づく既存の手法で使用されているアイデアを 1 つのフレームワークに統合します。
私たちは、文献で使用されている因果帰納バイアスに基づいて因果効果を推定するために調整されたドメイン固有言語 (DSL) を設計します。
私たちは因果関係の推定における NESTER の有効性を調査するために理論的分析を実施します。
私たちの包括的な実証結果は、ベンチマーク データセットにおいて NESTER が最先端の手法よりも優れたパフォーマンスを発揮することを示しています。
要約(オリジナル)
Causal effect estimation from observational data is a central problem in causal inference. Methods based on potential outcomes framework solve this problem by exploiting inductive biases and heuristics from causal inference. Each of these methods addresses a specific aspect of causal effect estimation, such as controlling propensity score, enforcing randomization, etc., by designing neural network (NN) architectures and regularizers. In this paper, we propose an adaptive method called Neurosymbolic Causal Effect Estimator (NESTER), a generalized method for causal effect estimation. NESTER integrates the ideas used in existing methods based on multi-head NNs for causal effect estimation into one framework. We design a Domain Specific Language (DSL) tailored for causal effect estimation based on causal inductive biases used in literature. We conduct a theoretical analysis to investigate NESTER’s efficacy in estimating causal effects. Our comprehensive empirical results show that NESTER performs better than state-of-the-art methods on benchmark datasets.
arxiv情報
著者 | Abbavaram Gowtham Reddy,Vineeth N Balasubramanian |
発行日 | 2023-11-10 14:21:35+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google