文献

J-GLOBAL ID：202002233897324298   整理番号：20A1868024

正則化された機器変数を用いた多くの無作為化試験からの因果効果の学習【JST・京大機械翻訳】

Learning Causal Effects From Many Randomized Experiments Using Regularized Instrumental Variables

著者 (2件)： Peysakhovich Alexander (Facebook Artificial Intelligence Research, New York, NY, USA) ,  Eckles Dean (Massachusetts Institute of Technology, Cambridge, MA, USA)
資料名： ACM Proceedings  (ACM Proceedings)
号： WWW ’18  ページ： 699-707  発行年： 2018年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 科学とビジネスの実践は,無作為実験の大きな収集をもたらす。一緒に,複数の実験が,個々の実験ができないという事を著者らに引き出すことができる。現代のデータ科学者が直面する収集の種類から変数間の因果関係をいかに学習するかを調べた:実験の数は大きく,多くの実験は非常に小さな効果を持ち,分析者はメタデータ(例えば,介入の記述)を欠いている。機器変数(IV)として実験グループを使用し,実験の数が無限である場合でも標準法(2段階最小二乗)がバイアスされることを示した。スパース性誘起l_0正則化が(標準バイアス-分散トレードオフの反転において),介入予測のバイアス(従って誤差)を低減する方法を示した。因果関係を予想するよりも因果関係の推定に興味があり,また,正則化パラメータを選択するための修正交差検証法(IVCV)を提案した。モンテカルロサンプリングからのトリックを用いて,IVCVを生データの代わりに要約統計量を用いて行うことができることを示した。これは,著者らの完全な手順を,多くの実世界アプリケーションで使用するのに簡単である。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最小二乗法 ,  統計量 ,  応用プログラム ,  バイアス ,  *正則化 ,  機械学習 ,  ランダム化比較試験 ,  交差検証法 ,  メタデータ
準シソーラス用語： スパース性 ,  モンテカルロサンプリング ,  正則化パラメータ ,  生データ , 【Automatic Indexing@JST】

著者キーワード (4件)： 因果律 ,  実験 ,  機器変数 ,  機械学習

分類 (1件)： 数値計算  (JE02000J)

タイトルに関連する用語 (4件)： 正則化 ,  変数 ,  無作為化試験 ,  学習