اکسپرس 24
ترجمه فارسی مقاله متغیرهای ابزاری مبتنی بر تشویق تعمیم‌یافته برای رگرسیون خلاف واقع

ترجمه فارسی مقاله متغیرهای ابزاری مبتنی بر تشویق تعمیم‌یافته برای رگرسیون خلاف واقع

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Generalized Encouragement-Based Instrumental Variables for Counterfactual Regression
عنوان مقاله به فارسی متغیرهای ابزاری مبتنی بر تشویق تعمیم‌یافته برای رگرسیون خلاف واقع
نویسندگان Anpeng Wu, Kun Kuang, Ruoxuan Xiong, Xiangwei Chen, Zexu Sun, Fei Wu, Kun Zhang
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
دسته بندی موضوعات Machine Learning,Methodology,Machine Learning,یادگیری ماشین , روش شناسی , یادگیری ماشین ,
توضیحات Submitted 10 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 10 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 560,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

In causal inference, encouragement designs (EDs) are widely used to analyze causal effects, when randomized controlled trials (RCTs) are impractical or compliance to treatment cannot be perfectly enforced. Unlike RCTs, which directly allocate treatments, EDs randomly assign encouragement policies that positively motivate individuals to engage in a specific treatment. These random encouragements act as instrumental variables (IVs), facilitating the identification of causal effects through leveraging exogenous perturbations in discrete treatment scenarios. However, real-world applications of encouragement designs often face challenges such as incomplete randomization, limited experimental data, and significantly fewer encouragements compared to treatments, hindering precise causal effect estimation. To address this, this paper introduces novel theories and algorithms for identifying the Conditional Average Treatment Effect (CATE) using variations in encouragement. Further, by leveraging both observational and encouragement data, we propose a generalized IV estimator, named Encouragement-based Counterfactual Regression (EnCounteR), to effectively estimate the causal effects. Extensive experiments on both synthetic and real-world datasets demonstrate the superiority of EnCounteR over existing methods.

چکیده به فارسی (ترجمه ماشینی)

در استنتاج علی ، از طرح های تشویق (ED) به طور گسترده ای برای تجزیه و تحلیل اثرات علی استفاده می شود ، هنگامی که کارآزمایی های کنترل شده تصادفی (RCT) غیر عملی هستند یا انطباق با درمان نمی توانند کاملاً اجرا شوند.بر خلاف RCT ها ، که به طور مستقیم درمان ها را اختصاص می دهد ، ED به طور تصادفی سیاستهای تشویق را اختصاص می دهد که افراد را به سمت مثبت انگیزه می دهد تا در یک درمان خاص شرکت کنند.این تشویق های تصادفی به عنوان متغیرهای ابزاری (IVS) عمل می کنند ، و شناسایی اثرات علّی از طریق اعمال اختلال اگزوژن در سناریوهای درمانی گسسته را تسهیل می کند.با این حال ، برنامه های کاربردی در دنیای واقعی از طرح های تشویق اغلب با چالش هایی مانند تصادفی ناقص ، داده های تجربی محدود و تشویق های قابل توجهی کمتر در مقایسه با درمانها روبرو هستند ، مانع برآورد اثر علی دقیق می شوند.برای پرداختن به این موضوع ، این مقاله تئوری ها و الگوریتم های جدیدی را برای شناسایی اثر متوسط ​​درمانی مشروط (CATE) با استفاده از تغییرات در تشویق معرفی می کند.علاوه بر این ، با استفاده از داده های مشاهده ای و تشویق ، ما یک برآوردگر کلی IV را که به نام رگرسیون ضد خلاف واقع (برخورد) مبتنی بر تشویق (برخورد)) پیشنهاد می کنیم ، برای برآورد مؤثر اثرات علی پیشنهاد می کنیم.آزمایش های گسترده در هر دو مجموعه داده مصنوعی و واقعی در دنیای واقعی ، برتری برخورد نسبت به روشهای موجود را نشان می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.