論文の概要: Regret Minimization for Causal Inference on Large Treatment Space
- arxiv url: http://arxiv.org/abs/2006.05616v1
- Date: Wed, 10 Jun 2020 02:19:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 04:20:59.074973
- Title: Regret Minimization for Causal Inference on Large Treatment Space
- Title(参考訳): 大治療空間における因果推論に対する後悔の最小化
- Authors: Akira Tanimoto, Tomoya Sakai, Takashi Takenouchi, Hisashi Kashima
- Abstract要約: 本稿では,偏りのある観測データから偏りのある表現を抽出するネットワークアーキテクチャと正規化器を提案する。
提案した損失は、アクションが個々のターゲットに対して比較的良いかどうかの分類誤差を最小限に抑える。
- 参考スコア(独自算出の注目度): 21.957539112375496
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting which action (treatment) will lead to a better outcome is a
central task in decision support systems. To build a prediction model in real
situations, learning from biased observational data is a critical issue due to
the lack of randomized controlled trial (RCT) data. To handle such biased
observational data, recent efforts in causal inference and counterfactual
machine learning have focused on debiased estimation of the potential outcomes
on a binary action space and the difference between them, namely, the
individual treatment effect. When it comes to a large action space (e.g.,
selecting an appropriate combination of medicines for a patient), however, the
regression accuracy of the potential outcomes is no longer sufficient in
practical terms to achieve a good decision-making performance. This is because
the mean accuracy on the large action space does not guarantee the nonexistence
of a single potential outcome misestimation that might mislead the whole
decision. Our proposed loss minimizes a classification error of whether or not
the action is relatively good for the individual target among all feasible
actions, which further improves the decision-making performance, as we prove.
We also propose a network architecture and a regularizer that extracts a
debiased representation not only from the individual feature but also from the
biased action for better generalization in large action spaces. Extensive
experiments on synthetic and semi-synthetic datasets demonstrate the
superiority of our method for large combinatorial action spaces.
- Abstract(参考訳): どのアクション(処理)がより良い結果をもたらすかを予測することは、意思決定支援システムにおける中心的なタスクである。
実環境下で予測モデルを構築するためには,偏りのある観測データから学ぶことが,ランダム化制御試験(rct)データの欠如による重要な課題である。
このような偏りのある観察データを扱うために、近年の因果推論と反ファクト機械学習の取り組みは、二元的行動空間における潜在的な結果、すなわち個々の治療効果の差を偏りなく推定することに焦点を当てている。
しかし、大きな行動空間(例えば、患者のための薬の適切な組み合わせの選択)に関しては、潜在的な結果の回帰精度は、適切な意思決定性能を達成するにはもはや不十分である。
これは、大きなアクション空間における平均的精度が、決定全体を誤解させる可能性のある単一の潜在的結果誤推定の非存在を保証しないためである。
提案した損失は, 個々の目標に対して比較的良好な動作であるか否かの分類誤差を最小限に抑え, 決定性能をさらに向上させる。
また、ネットワークアーキテクチャと、個々の特徴だけでなく、大きな動作空間におけるより良い一般化のために偏りのある動作から偏りのある表現を抽出する正規化子を提案する。
合成および半合成データセットに関する広範な実験は、大規模組合せ作用空間に対するこの手法の優越性を示している。
関連論文リスト
- Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
実際には、因果研究者は先験を念頭において1つの結果を持っていない。
政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。
本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
論文 参考訳(メタデータ) (2024-04-29T08:16:30Z) - Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。
また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。
様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
論文 参考訳(メタデータ) (2023-02-22T14:50:24Z) - Active Learning for Optimal Intervention Design in Causal Models [11.294389953686945]
本研究は、最適介入を特定するための因果的アクティブラーニング戦略を開発し、分布のインターベンショナル平均と所望の目標平均との相違によって測定した。
本研究では、Perturb-CITE-seq実験から得られた合成データと単細胞転写データの両方にアプローチを適用し、特定の細胞状態遷移を誘導する最適な摂動を同定する。
論文 参考訳(メタデータ) (2022-09-10T20:40:30Z) - DESCN: Deep Entire Space Cross Networks for Individual Treatment Effect
Estimation [7.060064266376701]
因果推論は、Eコマースや精密医療など様々な分野で広く応用されている。
本稿では,エンド・ツー・エンドの観点から治療効果をモデル化するためのDeep Entire Space Cross Networks (DESCN)を提案する。
論文 参考訳(メタデータ) (2022-07-19T01:25:31Z) - Causal-BALD: Deep Bayesian Active Learning of Outcomes to Infer
Treatment-Effects from Observational Data [37.15330590319357]
既存のアプローチは、治療と管理のために観察された結果に深いモデルを適用することに依存している。
Deep Bayesian Active Learningは、不確実性の高い点を選択することによって、効率的なデータ取得のためのフレームワークを提供する。
本稿では,重なり合う領域に対するバイアスデータ取得という情報理論に基づく因果的ベイズ獲得機能を紹介する。
論文 参考訳(メタデータ) (2021-11-03T15:11:39Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-08T14:29:07Z) - Split-Treatment Analysis to Rank Heterogeneous Causal Effects for
Prospective Interventions [15.443178111068418]
本研究は,予防的介入の可能性が最も高い個人をランク付けする分割処理分析法を提案する。
プロキシ処理に基づく異種因果効果のランキングは,対象治療の効果に基づく順位と同じであることを示す。
論文 参考訳(メタデータ) (2020-11-11T16:17:29Z) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳(メタデータ) (2020-10-15T16:39:26Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳(メタデータ) (2020-06-14T01:15:00Z) - Counterfactual Propagation for Semi-Supervised Individual Treatment
Effect Estimation [21.285425135761795]
個別治療効果(英: individual treatment effect、ITE)とは、特定の標的に特定の行動をとる結果の期待された改善を示す。
本研究では、より容易に利用可能な未ラベルのインスタンスを利用する半教師付きITE推定問題について考察する。
本稿では,最初の半教師付きITT推定法である反実伝搬法を提案する。
論文 参考訳(メタデータ) (2020-05-11T13:32:38Z) - 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。