論文の概要: Learning Continuous Treatment Policy and Bipartite Embeddings for
Matching with Heterogeneous Causal Effects
- arxiv url: http://arxiv.org/abs/2004.09703v1
- Date: Tue, 21 Apr 2020 01:36:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-11 05:46:14.507170
- Title: Learning Continuous Treatment Policy and Bipartite Embeddings for
Matching with Heterogeneous Causal Effects
- Title(参考訳): 不均一因果関係を考慮した連続処理と二部埋め込みの学習
- Authors: Will Y. Zou, Smitha Shyam, Michael Mui, Mingshi Wang, Jan Pedersen,
Zoubin Ghahramani
- Abstract要約: 現在の方法では、単一の結果次元の処理効果に基づいて二項のイエスまたはノーの決定を行う。
本稿では, パラメトリザブルモデルとしての処理の有効性を定式化し, 様々な処理強度と複雑さにまで拡張することを提案する。
深層学習を利用して, 1次元の処理を非現実的に予測する代わりに, 所望の総体距離空間を最適化する。
- 参考スコア(独自算出の注目度): 8.525061716196424
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Causal inference methods are widely applied in the fields of medicine,
policy, and economics. Central to these applications is the estimation of
treatment effects to make decisions. Current methods make binary yes-or-no
decisions based on the treatment effect of a single outcome dimension. These
methods are unable to capture continuous space treatment policies with a
measure of intensity. They also lack the capacity to consider the complexity of
treatment such as matching candidate treatments with the subject. We propose to
formulate the effectiveness of treatment as a parametrizable model, expanding
to a multitude of treatment intensities and complexities through the continuous
policy treatment function, and the likelihood of matching. Our proposal to
decompose treatment effect functions into effectiveness factors presents a
framework to model a rich space of actions using causal inference. We utilize
deep learning to optimize the desired holistic metric space instead of
predicting single-dimensional treatment counterfactual. This approach employs a
population-wide effectiveness measure and significantly improves the overall
effectiveness of the model. The performance of our algorithms is. demonstrated
with experiments. When using generic continuous space treatments and matching
architecture, we observe a 41% improvement upon prior art with
cost-effectiveness and 68% improvement upon a similar method in the average
treatment effect. The algorithms capture subtle variations in treatment space,
structures the efficient optimizations techniques, and opens up the arena for
many applications.
- Abstract(参考訳): 因果推論法は医学、政策、経済学の分野で広く応用されている。
これらの応用の中心は、意思決定のための治療効果の推定である。
現在の方法は、単一の結果次元の処理効果に基づいて二項yesまたはnoを決定する。
これらの手法は、強度の尺度で連続的な空間処理ポリシーを捉えることができない。
また、候補治療と被験者とのマッチングなど、治療の複雑さを考える能力が欠如している。
パラメトリブルモデルとして治療の有効性を定式化し, 連続的政策処理関数による治療強度や複雑度の拡大, マッチングの可能性について検討した。
治療効果関数を有効因子に分解する提案手法は、因果推論を用いてリッチな行動空間をモデル化する枠組みを示す。
深層学習を利用して, 1次元の処理を非現実的に予測する代わりに, 所望の総体距離空間を最適化する。
このアプローチは、人口全体の有効性尺度を採用し、モデル全体の効果を大幅に改善する。
アルゴリズムの性能は実験で実証されている。
一般的な連続空間処理と整合性アーキテクチャを用いて, コスト効率, 平均処理効果の68%で, 先行技術の41%の改善を観察した。
アルゴリズムは処理空間の微妙な変化を捉え、効率的な最適化技術を構築し、多くのアプリケーションのためのアリーナを開く。
関連論文リスト
- Individualized Multi-Treatment Response Curves Estimation using RBF-net with Shared Neurons [1.1119247609126184]
反応曲線の非パラメトリックモデリングは、共有された隠れニューロンを持つ放射基底関数(RBF)-ネットに依存している。
本手法をMIMICデータに適用し, 在宅中絶患者に対するICU滞在時間と12時間SOFAスコアに対する異なる治療方法の効果に関する興味深い知見を得た。
論文 参考訳(メタデータ) (2024-01-29T21:13:01Z) - The Blessings of Multiple Treatments and Outcomes in Treatment Effect
Estimation [53.81860494566915]
既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。
多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。
この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
論文 参考訳(メタデータ) (2023-09-29T14:33:48Z) - Comparison of Methods that Combine Multiple Randomized Trials to
Estimate Heterogeneous Treatment Effects [0.1398098625978622]
複数のランダム化制御試験を活用することで、データセットと未確立の処理割り当ての組み合わせが可能になる。
本稿では,複数試行データを用いて不均一な治療効果を推定するための非パラメトリックなアプローチについて述べる。
論文 参考訳(メタデータ) (2023-03-28T20:43:00Z) - 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) - Generalized Causal Tree for Uplift Modeling [7.614863322262727]
昇降モデリングは、マーケティングやポリシー作成からパーソナライズされたレコメンデーションまで、様々なアプリケーションにおいて重要である。
主な目的は、異種集団に対する最適な治療割り当てを学習することである。
複数の離散的かつ連続的な処理に対処するためのツリーベースアプローチの一般化を提案する。
論文 参考訳(メタデータ) (2022-02-04T22:27:49Z) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳(メタデータ) (2021-10-26T20:13:17Z) - On Inductive Biases for Heterogeneous Treatment Effect Estimation [91.3755431537592]
我々は、異なる治療下で、個人の潜在的成果(PO)の構造的類似性を利用する方法について検討する。
この問題を克服するために、エンドツーエンドの学習戦略を3つ比較する。
論文 参考訳(メタデータ) (2021-06-07T16:30:46Z) - Stochastic Intervention for Causal Inference via Reinforcement Learning [7.015556609676951]
因果推論の中心は介入戦略の処理効果推定である。
既存の方法はほとんどが決定論的治療に限られており、異なる治療下での結果を比較する。
介入に対する治療効果を推定するための新しい効果的な枠組みを提案する。
論文 参考訳(メタデータ) (2021-05-28T00:11:22Z) - Stochastic Intervention for Causal Effect Estimation [7.015556609676951]
介入効果を推定するための新しい確率スコアと介入効果推定器(SIE)を提案する。
また,介入効果(Ge-SIO)に特異的な遺伝的アルゴリズムを設計し,意思決定の因果的証拠を提供する。
提案手法とアルゴリズムは,最先端のベースラインと比較して,大幅な性能向上を実現することができる。
論文 参考訳(メタデータ) (2021-05-27T01:12:03Z) - Discrete Action On-Policy Learning with Action-Value Critic [72.20609919995086]
離散的な行動空間における強化学習(RL)は、実世界の応用では至るところで行われているが、その複雑さは行動空間次元とともに指数関数的に増大する。
我々は,行動値関数を推定し,相関行動に適用し,これらの評価値を組み合わせて勾配推定の分散を制御する。
これらの取り組みにより、分散制御技術に頼って、関連するRLアルゴリズムを実証的に上回る、新たな離散的なRLアルゴリズムが実現される。
論文 参考訳(メタデータ) (2020-02-10T04:23:09Z) - 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。