文献

J-GLOBAL ID：202202243874923599   整理番号：22A0457485

因果推論のための深層学習法の使用の評価【JST・京大機械翻訳】

Evaluating Uses of Deep Learning Methods for Causal Inference

著者 (2件)： Whata Albert (School of Natural and Applied Sciences, Sol Plaatje University, Kimberley, South Africa) ,  Chimedza Charles (School of Statistics and Actuarial Science, University of the Witwatersrand, Johannesburg, Johannesburg, South Africa)
資料名： IEEE Access  (IEEE Access)
巻： 10  ページ： 2813-2827  発行年： 2022年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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： ロジスティック回帰(LR)は,傾向スコアを用いた観察研究における因果関係を推定するために用いられる一般的な方法である。深層ニューラルネットワーク(DNN),PropensityNet(PN),畳込みニューラルネットワーク(CNN),および畳み込みニューラルネットワーク長短期記憶ネットワーク(CNN-LSTM)のような深層学習モデルの使用を調べ,傾向スコアを推定し,因果推論を評価した。異なる試料サイズ(N=500,N=100,N=2000),15共変量,連続結果および2成分曝露の模擬データを用いて研究を行った。これらのデータを,曝露と共変量の間の非線形性と非加成性相関の程度が異なる7つのシナリオで使用した。傾向スコアの推定は,分類精度,曲線の下の受信者動作特性曲線領域(AUCROC),共変量バランス,標準誤差,絶対バイアス,および95%信頼区間範囲を含む分類タスクと性能計量を,各モデルに対して評価した。シミュレーション結果は,深層学習モデル(CNN,DNN,CNN-LSTM)が傾向スコアの推定においてLRを凌駕することを示した。CNNとCNN-LSTMは共変量バランス,分類精度,AUCROC,およびCohenのKappaに対して良好な結果を達成した。LRは実質的に良好なバイアス低減を提供したが,深層学習モデルと比較して,分類精度,AUCROC,CohenのKappa,および95%信頼区間カバレッジに基づくサブパー性能を生成した。結果は,深い学習法,特にCNNが因果効果を推定するために使用される傾向スコアの推定に有用であることを示唆する。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： シミュレーション ,  *学習 ,  ネットワーク ,  非線形性 ,  加成性 ,  バイアス
準シソーラス用語： ROC曲線 ,  ロジスティック回帰分析 ,  分類精度 ,  *因果推論 ,  傾向スコア ,  共変量 ,  *深層学習 ,  ディープニューラルネットワーク ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 因果推論 ,  深層学習 ,  評価