論文の概要: General Identification of Dynamic Treatment Regimes Under Interference
- arxiv url: http://arxiv.org/abs/2004.01218v1
- Date: Thu, 2 Apr 2020 18:22:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 09:55:29.251088
- Title: General Identification of Dynamic Treatment Regimes Under Interference
- Title（参考訳）: 干渉下における動的治療規則の一般同定
- Authors: Eli Sherman, David Arbour, Ilya Shpitser
- Abstract要約: 干渉の有無で最適な治療方針を特定することの問題点を考察する。
我々は、干渉下での様々な政策介入を形式化し、既存の識別理論を拡張する。
- 参考スコア（独自算出の注目度）: 16.26441026659651
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In many applied fields, researchers are often interested in tailoring
treatments to unit-level characteristics in order to optimize an outcome of
interest. Methods for identifying and estimating treatment policies are the
subject of the dynamic treatment regime literature. Separately, in many
settings the assumption that data are independent and identically distributed
does not hold due to inter-subject dependence. The phenomenon where a subject's
outcome is dependent on his neighbor's exposure is known as interference. These
areas intersect in myriad real-world settings. In this paper we consider the
problem of identifying optimal treatment policies in the presence of
interference. Using a general representation of interference, via
Lauritzen-Wermuth-Freydenburg chain graphs (Lauritzen and Richardson, 2002), we
formalize a variety of policy interventions under interference and extend
existing identification theory (Tian, 2008; Sherman and Shpitser, 2018).
Finally, we illustrate the efficacy of policy maximization under interference
in a simulation study.
- Abstract（参考訳）: 多くの応用分野において、研究者は関心の結果を最適化するために、単位レベルの特性に対する治療の調整に関心がある。
治療方針の特定と推定の方法は、動的治療体制の文献の主題である。
別々に、多くの設定において、データが独立であり、同一に分散されているという仮定は、オブジェクト間の依存のために保持されない。
被験者の結果が隣人の露出に依存する現象は干渉として知られている。
これらの領域は、無数の現実世界の設定で交わる。
本稿では,干渉が存在する場合に最適な治療方針を特定することの問題点について考察する。
干渉の一般的な表現(Lauritzen-Wermuth-Freydenburg chain graphs (Lauritzen and Richardson, 2002))を用いて、干渉下での様々な政策介入を形式化し、既存の識別理論を拡張する(Tian, 2008; Sherman and Shpitser, 2018)。
最後に,シミュレーション研究において,介入下での政策最大化の有効性を示す。
関連論文リスト
- Higher-Order Causal Message Passing for Experimentation with Complex Interference [6.092214762701847]
本研究では、因果的メッセージパッシングに基づく新しい推定器のクラスを導入し、広範で未知な干渉のある設定に特化して設計する。
我々の推定器は、サンプルの平均値と時間とともに単位結果と処理のばらつきから情報を抽出し、観測データの効率的な利用を可能にする。
論文 参考訳（メタデータ） (2024-11-01T18:00:51Z) - Linear Contextual Bandits with Interference [14.835167982538053]
線形CB(LinCB)における干渉に対処するための体系的枠組みを導入する。
本稿では、報酬モデリングプロセスにおける干渉効果を明示的に定量化する一連のアルゴリズムを提案する。
提案手法の有効性をシミュレーションおよびMovieLensデータに基づく合成データを用いて実証した。
論文 参考訳（メタデータ） (2024-09-24T02:51:00Z) - On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。
ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。
我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-24T08:08:05Z) - Integrating Active Learning in Causal Inference with Interference: A
Novel Approach in Online Experiments [5.488412825534217]
ACI(Causal Inference with Interference)におけるアクティブラーニング手法について紹介する。
ACIはガウス過程を用いて、隣人の治療課題の連続的な測定の関数として直接的および余分な処理効果を柔軟にモデル化する。
データ要求の低減による精度の高い効果推定の実現可能性を示す。
論文 参考訳（メタデータ） (2024-02-20T04:13:59Z) - Causal Message Passing for Experiments with Unknown and General Network Interference [5.294604210205507]
複雑で未知のネットワーク干渉に対応する新しいフレームワークを提案する。
我々のフレームワークは因果的メッセージパッシングと呼ばれ、高次元近似的メッセージパッシング手法に基づいている。
本手法の有効性を5つの数値シナリオで示す。
論文 参考訳（メタデータ） (2023-11-14T17:31:50Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳（メタデータ） (2023-06-01T10:51:58Z) - Neighborhood Adaptive Estimators for Causal Inference under Network
Interference [152.4519491244279]
我々は,古典的非干渉仮説の違反を考える。つまり,ある個人に対する治療が他者の結果に影響を及ぼす可能性がある。
干渉をトラクタブルにするために、干渉がどのように進行するかを記述する既知のネットワークを考える。
このような環境下での処理に対する平均的直接的処理効果の予測について検討した。
論文 参考訳（メタデータ） (2022-12-07T14:53:47Z) - Federated Offline Reinforcement Learning [55.326673977320574]
マルチサイトマルコフ決定プロセスモデルを提案する。
我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。
提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
論文 参考訳（メタデータ） (2022-06-11T18:03:26Z) - Proximal Reinforcement Learning: Efficient Off-Policy Evaluation in
Partially Observed Markov Decision Processes [65.91730154730905]
医療や教育などの観察データへのオフライン強化学習の適用においては、観察された行動は観測されていない要因に影響される可能性があるという一般的な懸念がある。
ここでは、部分的に観察されたマルコフ決定過程(POMDP)における非政治評価を考慮し、この問題に取り組む。
我々は、近位因果推論の枠組みをPOMDP設定に拡張し、識別が可能となる様々な設定を提供する。
論文 参考訳（メタデータ） (2021-10-28T17:46:14Z) - Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。
我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文 参考訳（メタデータ） (2020-01-21T10:16:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。