論文の概要: To do or not to do: cost-sensitive causal decision-making
- arxiv url: http://arxiv.org/abs/2101.01407v1
- Date: Tue, 5 Jan 2021 08:36:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-11 20:20:22.123947
- Title: To do or not to do: cost-sensitive causal decision-making
- Title（参考訳）: to do or not: cost-sensitive causal decision-making
- Authors: Diego Olaya, Wouter Verbeke, Jente Van Belle, Marie-Anne Guerry
- Abstract要約: 二重因果分類のためのコスト感受性決定境界を導入する。
境界は、プラスおよび負の処置クラスの因果的分類インスタンスが予想因果利益を最大化することを可能にする。
期待因果利益を最大化するための事例をランク付けする期待因果利益ランキングを提案する。
- 参考スコア（独自算出の注目度）: 3.492636597449942
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Causal classification models are adopted across a variety of operational
business processes to predict the effect of a treatment on a categorical
business outcome of interest depending on the process instance characteristics.
This allows optimizing operational decision-making and selecting the optimal
treatment to apply in each specific instance, with the aim of maximizing the
positive outcome rate. While various powerful approaches have been presented in
the literature for learning causal classification models, no formal framework
has been elaborated for optimal decision-making based on the estimated
individual treatment effects, given the cost of the various treatments and the
benefit of the potential outcomes.
In this article, we therefore extend upon the expected value framework and
formally introduce a cost-sensitive decision boundary for double binary causal
classification, which is a linear function of the estimated individual
treatment effect, the positive outcome probability and the cost and benefit
parameters of the problem setting. The boundary allows causally classifying
instances in the positive and negative treatment class to maximize the expected
causal profit, which is introduced as the objective at hand in cost-sensitive
causal classification. We introduce the expected causal profit ranker which
ranks instances for maximizing the expected causal profit at each possible
threshold for causally classifying instances and differs from the conventional
ranking approach based on the individual treatment effect. The proposed ranking
approach is experimentally evaluated on synthetic and marketing campaign data
sets. The results indicate that the presented ranking method effectively
outperforms the cost-insensitive ranking approach and allows boosting
profitability.
- Abstract（参考訳）: 因果分類モデルは、プロセスインスタンスの特性に応じて、関心のカテゴリー的ビジネス成果に対する処理の効果を予測するために、さまざまな運用ビジネスプロセスに適用される。
これにより、運用上の意思決定を最適化し、ポジティブな結果率を最大化するために、特定のインスタンスに適用される最適な処理を選択することができる。
因果分類モデルを学ぶための文献には様々な強力なアプローチが提示されているが、様々な治療の費用と潜在的な結果の利益を考えると、推定された個々の治療効果に基づく最適な意思決定のための形式的な枠組みは定まっていない。
そこで本稿では,予測値フレームワークを拡張し,推定された個別処理効果の線形関数である二重二元因果分類のコスト依存性決定境界,積算結果の確率,問題設定のコストと利益パラメータを正式に導入する。
この境界は、コスト感受性の因果分類の目的として、期待される因果利益を最大化するために、正および負の処理クラスにおける因果分類のインスタンスを許容する。
本稿では,因果分類の対象となる条件ごとに,期待因果利益を最大化するためのインスタンスをランク付けする期待因果利益ランキングを,個々の処理効果に基づいて従来のランキングアプローチと異なるものに紹介する。
提案手法は,合成およびマーケティングキャンペーンデータセットを用いて実験的に評価する。
その結果,提案手法は費用不感なランキング手法を効果的に上回り,収益性を高めることができることがわかった。
関連論文リスト
- Achieving Fairness in Predictive Process Analytics via Adversarial Learning [50.31323204077591]
本稿では、デバイアスフェーズを予測ビジネスプロセス分析に組み込むことの課題に対処する。
本研究の枠組みは, 4つのケーススタディで検証し, 予測値に対する偏り変数の寄与を著しく低減することを示した。
論文 参考訳（メタデータ） (2024-10-03T15:56:03Z) - Metalearners for Ranking Treatment Effects [1.469168639465869]
政策の漸進的な利益曲線の下で、ランク付けの学習がいかにその領域を最大化できるかを示す。
政策の漸進的な利益曲線の下で、ランク付けの学習がいかにその領域を最大化できるかを示す。
論文 参考訳（メタデータ） (2024-05-03T15:31:18Z) - 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) - Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment
Effect Estimation [137.3520153445413]
下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。
我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。
研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
論文 参考訳（メタデータ） (2023-07-11T02:58:10Z) - Causal Fairness for Outcome Control [68.12191782657437]
本稿では,自動システムにおいて,公平かつ公平な結果変数を最適化することを目的とした,結果制御と呼ばれる特定の意思決定タスクについて検討する。
本稿では、まず因果レンズを通して利益の概念を分析し、特定の個人が肯定的な決定によってどれだけの利益を得られるかを明らかにする。
次に、保護された属性の影響を受けている可能性があることに留意し、これを分析するために使用できる因果的ツールを提案する。
論文 参考訳（メタデータ） (2023-06-08T09:31:18Z) - In Search of Insights, Not Magic Bullets: Towards Demystification of the
Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。
選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
論文 参考訳（メタデータ） (2023-02-06T16:55:37Z) - Causal Inference under Data Restrictions [0.0]
この論文は、不確実性とデータ制限の下での現代の因果推論に焦点を当てている。
これには、ネオアジュバント臨床試験、分散データネットワーク、堅牢な個別化意思決定へのアプリケーションが含まれる。
論文 参考訳（メタデータ） (2023-01-20T20:14:32Z) - 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) - Fairness, Welfare, and Equity in Personalized Pricing [88.9134799076718]
顧客特性に基づくパーソナライズ価格における公平性、福祉、株式の配慮の相互作用について検討する。
選択ワクチンの価格補助金と、マイクロクレジットの下流結果に対するパーソナライズされた利率の影響の2つの設定において、パーソナライズされた価格の潜在的利点を示す。
論文 参考訳（メタデータ） (2020-12-21T01:01:56Z) - The foundations of cost-sensitive causal classification [3.7493611543472953]
本研究は,統一評価フレームワークの試作により,コスト感受性と因果分類を統合した。
本研究は,従来の分類が,パフォーマンス指標の範囲における因果分類の特定の事例であることを示す。
提案手法は,コスト依存型因果学習手法の開発への道を開くものである。
論文 参考訳（メタデータ） (2020-07-24T15:33:48Z)
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。