論文の概要: Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2006.07917v2
• Date: Sun, 18 Oct 2020 03:00:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 09:59:47.711919
• Title: Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification
• Title（参考訳）: 不確実性定量化による不均一処理効果に対するロバスト再帰的パーティショニング
• Authors: Hyun-Suk Lee, Yao Zhang, William Zame, Cong Shen, Jang-Won Lee, Mihaela van der Schaar
• Abstract要約: 治療効果のサブグループ分析は、医療から公共政策、レコメンデーターシステムへの応用において重要な役割を担っている。 サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定するための特定のアルゴリズムから始まる。 本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。
• 参考スコア（独自算出の注目度）: 84.53697297858146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Subgroup analysis of treatment effects plays an important role in applications from medicine to public policy to recommender systems. It allows physicians (for example) to identify groups of patients for whom a given drug or treatment is likely to be effective and groups of patients for which it is not. Most of the current methods of subgroup analysis begin with a particular algorithm for estimating individualized treatment effects (ITE) and identify subgroups by maximizing the difference across subgroups of the average treatment effect in each subgroup. These approaches have several weaknesses: they rely on a particular algorithm for estimating ITE, they ignore (in)homogeneity within identified subgroups, and they do not produce good confidence estimates. This paper develops a new method for subgroup analysis, R2P, that addresses all these weaknesses. R2P uses an arbitrary, exogenously prescribed algorithm for estimating ITE and quantifies the uncertainty of the ITE estimation, using a construction that is more robust than other methods. Experiments using synthetic and semi-synthetic datasets (based on real data) demonstrate that R2P constructs partitions that are simultaneously more homogeneous within groups and more heterogeneous across groups than the partitions produced by other methods. Moreover, because R2P can employ any ITE estimator, it also produces much narrower confidence intervals with a prescribed coverage guarantee than other methods.
• Abstract（参考訳）: 治療効果のサブグループ分析は、医療から公共政策、レコメンダシステムへの応用において重要な役割を果たす。 医師(例えば、医師)は、特定の薬物または治療が有効である可能性のある患者のグループと、それが有効でない患者のグループを識別することができる。 サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定し、各サブグループの平均処理効果のサブグループ間での差を最大化することによって、サブグループを同定する特定のアルゴリズムから始まる。 これらのアプローチにはいくつかの弱点がある: ITE を推定するための特定のアルゴリズムに依存し、特定された部分群内での同質性を無視し、信頼度が良くない。 本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。 R2P は任意のアルゴリズムを用いて ITE を推定し、他の方法よりも堅牢な構造を用いて ITE 推定の不確実性を定量化する。 合成および半合成データセット(実データに基づく)を用いた実験では、R2Pはグループ内で同時に均一であり、他の方法によって生成されるパーティションよりもグループ間で異質なパーティションを構成する。 さらに、r2pは任意の ite 推定器を使用できるため、他の方法よりも信頼区間を狭くし、所定のカバレッジを保証する。

関連論文リスト

• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• Causal Machine Learning for Moderation Effects [0.0]
  我々は、新しいパラメータ、バランス付きグループ平均治療効果(BGATE)を提案する。 2つのBGATEの違いをとることで、2つのGATEを比較するよりも、より意味のある異質性を分析することができる。 追加の特定仮定を追加することで、グループ間の治療効果の特定のバランスの取れた差異を因果的に解釈することができる。
  論文  参考訳（メタデータ） (2024-01-16T11:34:59Z)
• Statistical Performance Guarantee for Subgroup Identification with Generic Machine Learning [1.0878040851638]
  我々は、ジェネリックMLアルゴリズム(GATES)によりソートされたグループ平均処理効果を推定するための一様信頼バンドを開発する。 我々は,後期前立腺癌の臨床試験を解析し,例外的反応の比率が比較的高いことを見出した。
  論文  参考訳（メタデータ） (2023-10-12T01:41:47Z)
• A One-shot Framework for Distributed Clustered Learning in Heterogeneous Environments [54.172993875654015]
  異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。 ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。 厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
  論文  参考訳（メタデータ） (2022-09-22T09:04:10Z)
• Statistical Inference for Heterogeneous Treatment Effects Discovered by Generic Machine Learning in Randomized Experiments [0.9208007322096533]
  汎用MLアルゴリズムにより検出された不均一な処理効果の統計的推測に対する一般的なアプローチを開発する。 各グループの平均治療効果を推定し,有効信頼区間を構築する方法について述べる。
  論文  参考訳（メタデータ） (2022-03-28T05:43:46Z)
• 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)
• Finding Subgroups with Significant Treatment Effects [20.457122933924463]
  ノイズの多いデータからそのようなサブグループを見つけるために特別に最適化された機械学習手法を提案する。 パーソナライズされた治療代行のための方法とは違って、当社のツールは重要なテストを考慮するように設計されている。 統計的に有意な正の処理効果を得る確率を最大化するために選択される部分群を生成する。
  論文  参考訳（メタデータ） (2021-03-12T03:36:03Z)
• Structured Sparsity Inducing Adaptive Optimizers for Deep Learning [94.23102887731417]
  本稿では、近位勾配法に必要な成分である重み付き近位作用素を導出する。 この適応法は, 重み付き近位演算子とともに, 空間パターンに構造をもつ解を求めることができることを示す。
  論文  参考訳（メタデータ） (2021-02-07T18:06:23Z)
• Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of Heart Failure Patients [50.48904066814385]
  本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。 ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。 提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
  論文  参考訳（メタデータ） (2020-12-24T12:56:46Z)

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。