論文の概要: Split-Treatment Analysis to Rank Heterogeneous Causal Effects for Prospective Interventions

• arxiv url: http://arxiv.org/abs/2011.05877v1
• Date: Wed, 11 Nov 2020 16:17:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 00:59:48.665528
• Title: Split-Treatment Analysis to Rank Heterogeneous Causal Effects for Prospective Interventions
• Title（参考訳）: 前方的介入に対するランク不均一因果効果の分断的検討
• Authors: Yanbo Xu, Divyat Mahajan, Liz Manrao, Amit Sharma and Emre Kiciman
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.443178111068418
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: For many kinds of interventions, such as a new advertisement, marketing intervention, or feature recommendation, it is important to target a specific subset of people for maximizing its benefits at minimum cost or potential harm. However, a key challenge is that no data is available about the effect of such a prospective intervention since it has not been deployed yet. In this work, we propose a split-treatment analysis that ranks the individuals most likely to be positively affected by a prospective intervention using past observational data. Unlike standard causal inference methods, the split-treatment method does not need any observations of the target treatments themselves. Instead it relies on observations of a proxy treatment that is caused by the target treatment. Under reasonable assumptions, we show that the ranking of heterogeneous causal effect based on the proxy treatment is the same as the ranking based on the target treatment's effect. In the absence of any interventional data for cross-validation, Split-Treatment uses sensitivity analyses for unobserved confounding to select model parameters. We apply Split-Treatment to both a simulated data and a large-scale, real-world targeting task and validate our discovered rankings via a randomized experiment for the latter.
• Abstract（参考訳）: 新しい広告やマーケティングの介入、機能推奨など、さまざまな介入のためには、その利益を最小限のコストや潜在的損害で最大化するために、特定のサブセットをターゲットにすることが重要です。 しかし、重要な課題は、まだ配備されていないため、そのような先進的な介入の効果に関するデータが入手できないことである。 本研究では,過去観測データを用いた前向き介入による影響が最も高い可能性の高い個人をランク付けする分割処理分析を提案する。 標準的な因果推論法とは異なり、分割処理法は標的治療自体の観察を必要としない。 代わりに、標的治療によって引き起こされるプロキシ治療の観察に依存する。 合理的な仮定の下では,代理処理に基づく不均一因果効果のランキングは,対象治療の効果に基づくランキングと同じであることを示す。 クロスバリデーションのための介入データがない場合、Split-Treatmentは、観測されていないコンファウンディングの感度分析を使用してモデルパラメータを選択する。 シミュレーションデータと大規模実世界のターゲティングタスクの両方にスプリット処理を適用し,ランダム化実験により検索したランキングを検証する。

関連論文リスト

• 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)
• Zero-shot causal learning [64.9368337542558]
  CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。 トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
  論文  参考訳（メタデータ） (2023-01-28T20:14:11Z)
• 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)
• Partial Identification of Dose Responses with Hidden Confounders [25.468473751289036]
  観測データから連続的に評価された治療の因果効果を推定することが重要な課題である。 本稿では, 平均および条件付き平均連続値処理効果推定値の両方を束縛する新しい手法を提案する。 本手法を実世界の観測ケーススタディに適用し,線量依存因果効果の同定の価値を実証する。
  論文  参考訳（メタデータ） (2022-04-24T07:02:21Z)
• Combining Experimental and Observational Data for Identification of Long-Term Causal Effects [13.32091725929965]
  本研究では、観察領域と実験領域のデータを用いて、治療変数の長期的な結果変数に対する因果効果を推定するタスクについて検討する。 観測データは共起していると考えられており、さらなる仮定なしでは、このデータセットは因果推論にも使用できない。
  論文  参考訳（メタデータ） (2022-01-26T04:21:14Z)
• BITES: Balanced Individual Treatment Effect for Survival data [0.0]
  患者予後に対する介入の効果を推定することは、パーソナライズされた医療の重要な側面の1つである。 時間から時間までのデータは、治療最適化にはほとんど使われない。 我々は、治療特異的な半パラメトリックコックス損失と治療バランスの深いディープニューラルネットワークを組み合わせたBITESというアプローチを提案する。
  論文  参考訳（メタデータ） (2022-01-05T10:39:31Z)
• Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
  ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。 この課題に対処するための新しいクロスバリデーションのような方法論を提供する。 本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
  論文  参考訳（メタデータ） (2021-12-14T17:53:01Z)
• Non parametric estimation of causal populations in a counterfactual scenario [6.247939901619901]
  本稿では,この問題を欠落データモデルとして再定義する革新的な手法を提案する。 目的は、治療と結果の関数として定義される、真菌集団の隠れ分布を推定することである。
  論文  参考訳（メタデータ） (2021-12-08T13:51:24Z)
• 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)
• 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)
• Regret Minimization for Causal Inference on Large Treatment Space [21.957539112375496]
  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。
  論文  参考訳（メタデータ） (2020-06-10T02:19:48Z)

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。