Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Spatial-Temporal Transformer with Error-Restricted Variance Estimation for Time Series Anomaly Detection Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Modeling Treatment Effect with Cross-Domain Data

verfasst von : Bin Han, Ya-Lin Zhang, Lu Yu, Biying Chen, Longfei Li, Jun Zhou

Erschienen in: Advances in Knowledge Discovery and Data Mining

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Treatment effect estimation has received increasing attention recently. However, the issue of data sparsity often poses a significant challenge, limiting the feasibility of modeling. This paper aims to leverage cross-domain data to mitigate the data sparsity issue, and presents a framework called TEC. TEC incorporates a collaborative and adversarial generalization module to enhance information sharing and transferability across domains. This module encourages the learned representations of different domains to be more cohesive, thereby improving the generalizability of the models. Furthermore, we address the issue of poor performance for few-shot samples in each domain, and propose a pattern augmentation module that explicitly borrows samples from other domains and applies the self-teaching philosophy to them. Extensive experiments are conducted on both synthetic and benchmark datasets to demonstrate the superiority of the proposed framework.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel LPSD: Low-Rank Plus Sparse Decomposition for Highly Compressed CNN Models
Fußnoten
1
We use a classification threshold of 0.5 for explanation purposes.
 
2
Due to commercial confidentiality, we omit some details here and below.
 
Literatur
1.
Athey, S., Imbens, G.: Recursive partitioning for heterogeneous causal effects. PNAS 113(27), 7353–7360 (2016)MathSciNetCrossRef
2.
Battocchi, K., et al.: EconML: A python package for ml-based heterogeneous treatment effects estimation (2019)
3.
Bica, I., van der Schaar, M.: Transfer learning on heterogeneous feature spaces for treatment effects estimation. In: NeurIPS (2022)
4.
Dahabreh, I.J., et al.: Study designs for extending causal inferences from a randomized trial to a target population. Am. J. Epidemiol. 190(8), 1632–1642 (2021)CrossRef
5.
Dorie, V., Hill, J., Shalit, U., Scott, M., Cervone, D.: Automated versus do-it-yourself methods for causal inference: lessons learned from a data analysis competition. Stat. Sci. 34(1), 43–68 (2019)MathSciNetCrossRef
6.
Hassanpour, N., Greiner, R.: Learning disentangled representations for counterfactual regression. In: ICLR (2020)
7.
Hatt, T., Berrevoets, J., Curth, A., Feuerriegel, S., van der Schaar, M.: Combining observational and randomized data for estimating heterogeneous treatment effects (2022). arXiv:​2202.​12891
8.
Huang, Q., Ma, J., Li, J., Sun, H., Chang, Y.: SemiiTE: semi-supervised individual treatment effect estimation via disagreement-based co-training. In: ECML PKDD, pp. 400–417 (2023)
9.
Johansson, F., Shalit, U., Sontag, D.: Learning representations for counterfactual inference. In: ICML, pp. 3020–3029 (2016)
10.
11.
Künzel, S.R., Sekhon, J.S., Bickel, P.J., Yu, B.: Meta-learners for estimating heterogeneous treatment effects using machine learning. PNAS 116(10), 4156–4165 (2019)CrossRef
12.
Kyono, T., Bica, I., Qian, Z., van der Schaar, M.: Selecting treatment effects models for domain adaptation using causal knowledge. Health 4(2), 1–29 (2023)
13.
Pearl, J.: Causality. Cambridge University Press, Cambridge (2009)
14.
Powers, S., et al.: Some methods for heterogeneous treatment effect estimation in high-dimensions. Stat. Med. 37(11), 1767–1787 (2018)MathSciNetCrossRef
15.
Rosenbaum, P.R.: Model-based direct adjustment. JASA 82(398), 387–394 (1987)CrossRef
16.
Rosenbaum, P.R., Rubin, D.B.: The central role of the propensity score in observational studies for causal effects. Biometrika 70(1), 41–55 (1983)MathSciNetCrossRef
17.
Rubin, D.B.: Causal inference using potential outcomes: design, modeling, decisions. JASA 100(469), 322–331 (2005)MathSciNetCrossRef
18.
Shalit, U., Johansson, F.D., Sontag, D.: Estimating individual treatment effect: generalization bounds and algorithms. In: ICML, pp. 3076–3085 (2017)
19.
Shi, C., Blei, D., Veitch, V.: Adapting neural networks for the estimation of treatment effects. In: NeurIPS, vol. 32 (2019)
20.
Sun, Y., Zhang, Y., Wang, W., Li, L., Zhou, J.: Treatment effect estimation across domains. In: CIKM, pp. 2352—2361 (2023)
21.
Tang, C., et al.: Debiased causal tree: heterogeneous treatment effects estimation with unmeasured confounding. In: NeurIPS, vol. 35 (2022)
22.
Tarvainen, A., Valpola, H.: Mean teachers are better role models: weight-averaged consistency targets improve semi-supervised deep learning results. In: NeurIPS, vol. 30 (2017)
23.
Yao, L., Chu, Z., Li, S., Li, Y., Gao, J., Zhang, A.: A survey on causal inference. TKDD 15(5), 1–46 (2021)CrossRef
24.
Yao, L., Li, S., Li, Y., Huai, M., Gao, J., Zhang, A.: Representation learning for treatment effect estimation from observational data. In: NeurIPS, vol. 31 (2018)
25.
Zhang, Y., Zhou, J., Shi, Q., Li, L.: Exploring the combination of self and mutual teaching for tabular-data-related semi-supervised regression. ESWA 213, 118931 (2023)
26.
Zhang, Y., et al.: A backcasting framework for approximating macro-outcome via micro-treatment. SSRN 4494664 (2023)
Metadaten
Titel
Modeling Treatment Effect with Cross-Domain Data
verfasst von
Bin Han
Ya-Lin Zhang
Lu Yu
Biying Chen
Longfei Li
Jun Zhou
Copyright-Jahr
2024
Verlag
Springer Nature Singapore
Buch
Advances in Knowledge Discovery and Data Mining

Print ISBN: 978-981-9722-41-9

Electronic ISBN: 978-981-9722-42-6

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-981-97-2242-6_29

Premium Partner

    Bildnachweise