論文の概要: Treatment Targeting by AUUC Maximization with Generalization Guarantees
- arxiv url: http://arxiv.org/abs/2012.09897v1
- Date: Thu, 17 Dec 2020 19:32:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-02 07:19:39.848898
- Title: Treatment Targeting by AUUC Maximization with Generalization Guarantees
- Title(参考訳): 一般化保証によるAUUC最大化による治療目標設定
- Authors: Artem Betlei, Eustache Diemert, Massih-Reza Amini
- Abstract要約: 個々の治療効果予測に基づいて治療課題を最適化する作業を検討する。
本稿では, 昇降曲線(AUUC)に基づく一般化を提案し, AUUC-max(AUUC-max)と呼ばれる, この境界の導出可能なサロゲートを最適化する新しい学習アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 7.837855832568568
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the task of optimizing treatment assignment based on individual
treatment effect prediction. This task is found in many applications such as
personalized medicine or targeted advertising and has gained a surge of
interest in recent years under the name of Uplift Modeling. It consists in
targeting treatment to the individuals for whom it would be the most
beneficial. In real life scenarios, when we do not have access to ground-truth
individual treatment effect, the capacity of models to do so is generally
measured by the Area Under the Uplift Curve (AUUC), a metric that differs from
the learning objectives of most of the Individual Treatment Effect (ITE)
models. We argue that the learning of these models could inadvertently degrade
AUUC and lead to suboptimal treatment assignment. To tackle this issue, we
propose a generalization bound on the AUUC and present a novel learning
algorithm that optimizes a derivable surrogate of this bound, called AUUC-max.
Finally, we empirically demonstrate the tightness of this generalization bound,
its effectiveness for hyper-parameter tuning and show the efficiency of the
proposed algorithm compared to a wide range of competitive baselines on two
classical benchmarks.
- Abstract(参考訳): 個々の治療効果予測に基づいて治療課題を最適化する作業を検討する。
このタスクはパーソナライズされた医療やターゲット広告といった多くのアプリケーションで見られ、近年はアップリフト・モデリング(uplift modeling)という名で関心を集めている。
それは、最も有益であろう個人に対する治療を標的にしている。
実生活のシナリオでは、地道的個別治療効果にアクセスできない場合には、一般に、個別治療効果(ITE)モデルの大半の学習目標とは異なるAUUC(Area Under the Uplift Curve)によって、それを行うモデルの能力が測定される。
これらのモデルの学習は、不注意にauucを分解し、サブオプティカルな治療の割り当てにつながると論じている。
この問題に対処するために,AUUCに縛られる一般化を提案し,AUUC-maxと呼ばれるこの境界の導出可能なサロゲートを最適化する新しい学習アルゴリズムを提案する。
最後に,この一般化境界の厳密性,ハイパーパラメータチューニングの有効性を実証的に示し,従来の2つのベンチマークの幅広い基準値と比較し,提案アルゴリズムの有効性を示す。
関連論文リスト
- Optimizing Latent Graph Representations of Surgical Scenes for Zero-Shot
Domain Transfer [6.880129372917993]
ドメイン一般化のための4つのオブジェクト中心のアプローチを評価し、ベースライン性能を確立する。
本稿では, 領域一般化のための最適化手法LG-DGを開発した。
最適化されたLG-DGは、最高のベースラインアプローチよりも9.28%向上した。
論文 参考訳(メタデータ) (2024-03-11T17:36:11Z) - RO-LLaMA: Generalist LLM for Radiation Oncology via Noise Augmentation
and Consistency Regularization [51.877826904868975]
放射線腫瘍学の分野に適した汎用汎用大言語モデル(LLM)であるRO-LLaMAを提案する。
このモデルは、臨床報告の要約などの様々なタスクに適応し、放射線腫瘍専門医の幅広いワークフローをシームレスにカバーする。
また,新しいCEFTune(Consistency Embedding Fine-Tuning)技術を提案する。
論文 参考訳(メタデータ) (2023-11-27T14:49:06Z) - Adaptive Variance Thresholding: A Novel Approach to Improve Existing
Deep Transfer Vision Models and Advance Automatic Knee-Joint Osteoarthritis
Classification [0.11249583407496219]
Knee-Joint型変形性関節症(KOA)は、世界的な障害の原因であり、診断に本質的に複雑である。
1つの有望な分類経路は、ディープラーニングの手法を適用することである。
本研究は,学習後特殊分類器を改善するための新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2023-11-10T00:17:07Z) - Stage-Aware Learning for Dynamic Treatments [4.033641609534417]
動的治療体制のための新しい個別化学習法を提案する。
我々は、観察された治療軌跡と、決定段階にわたって最適な状態から得られるものとの整合性に重点を置いている。
観測軌道が最適処理と完全に一致しなければならないという制約を緩和することにより,本手法は逆確率重み付け法のサンプル効率と安定性を大幅に改善する。
論文 参考訳(メタデータ) (2023-10-30T06:35:31Z) - Joint Training of Deep Ensembles Fails Due to Learner Collusion [61.557412796012535]
機械学習モデルのアンサンブルは、単一のモデルよりもパフォーマンスを改善する強力な方法として確立されている。
伝統的に、アンサンブルアルゴリズムは、ジョイントパフォーマンスの最適化を目標として、ベースラーナーを独立または逐次訓練する。
アンサンブルの損失を最小化することは、実際にはほとんど適用されないことを示す。
論文 参考訳(メタデータ) (2023-01-26T18:58:07Z) - Stochastic Methods for AUC Optimization subject to AUC-based Fairness
Constraints [51.12047280149546]
公正な予測モデルを得るための直接的なアプローチは、公正な制約の下で予測性能を最適化することでモデルを訓練することである。
フェアネスを考慮した機械学習モデルのトレーニング問題を,AUCに基づくフェアネス制約のクラスを対象とする最適化問題として定式化する。
フェアネス測定値の異なる実世界のデータに対するアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2022-12-23T22:29:08Z) - Domain Adaptation with Adversarial Training on Penultimate Activations [82.9977759320565]
教師なし領域適応(Unsupervised Domain Adaptation, UDA)の重要な目的は、ラベルなし対象データに対するモデル予測の信頼性を高めることである。
我々は,この戦略が,入力画像や中間特徴に対する敵対的訓練よりも予測信頼性を高める目的と,より効率的で相関性が高いことを示す。
論文 参考訳(メタデータ) (2022-08-26T19:50:46Z) - Balanced Self-Paced Learning for AUC Maximization [88.53174245457268]
既存のセルフパッチ方式は、ポイントワイズAUCに限られている。
我々のアルゴリズムは閉形式解に基づいて定常点に収束する。
論文 参考訳(メタデータ) (2022-07-08T02:09:32Z) - Improving Prediction of Low-Prior Clinical Events with Simultaneous
General Patient-State Representation Learning [11.574235466142833]
我々は、リカレントニューラルネットワーク(RNN)の文脈におけるアプローチについて研究する。
モデルトレーニングにおける一般的な患者状態表現タスクの導入は、個別の低優先度目標の予測を改善することを示す。
論文 参考訳(メタデータ) (2021-06-28T16:32:12Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳(メタデータ) (2021-05-11T16:02:39Z)
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。