論文の概要: Estimating Average Treatment Effects via Orthogonal Regularization

• arxiv url: http://arxiv.org/abs/2101.08490v1
• Date: Thu, 21 Jan 2021 08:05:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-21 08:04:06.487417
• Title: Estimating Average Treatment Effects via Orthogonal Regularization
• Title（参考訳）: 直交正則化による平均治療効果の推定
• Authors: Tobias Hatt, Stefan Feuerriegel
• Abstract要約: 従来の方法は根拠のない結果に基づいて成果を見積もるが、根拠のない結果に課されるいかなる制約も無視する。 非定常性を利用した平均治療効果を推定するための新しい正規化フレームワークを提案する。 我々はDONUTが最先端技術を大幅に上回っていることを実証する。
• 参考スコア（独自算出の注目度）: 18.586616164230566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decision-making often requires accurate estimation of treatment effects from observational data. This is challenging as outcomes of alternative decisions are not observed and have to be estimated. Previous methods estimate outcomes based on unconfoundedness but neglect any constraints that unconfoundedness imposes on the outcomes. In this paper, we propose a novel regularization framework for estimating average treatment effects that exploits unconfoundedness. To this end, we formalize unconfoundedness as an orthogonality constraint, which ensures that the outcomes are orthogonal to the treatment assignment. This orthogonality constraint is then included in the loss function via a regularization. Based on our regularization framework, we develop deep orthogonal networks for unconfounded treatments (DONUT), which learn outcomes that are orthogonal to the treatment assignment. Using a variety of benchmark datasets for estimating average treatment effects, we demonstrate that DONUT outperforms the state-of-the-art substantially.
• Abstract（参考訳）: 意思決定は、しばしば観測データから治療効果を正確に推定する必要がある。 代替決定の結果は観察されず、見積もる必要があるため、これは難しいことです。 従来の方法は根拠のない結果に基づいて成果を見積もるが、根拠のない結果に課されるいかなる制約も無視する。 本稿では,不整合性を利用した平均治療効果を推定するための新しい正規化フレームワークを提案する。 この目的のために, 既定性が直交性制約として定式化され, 結果が治療課題と直交することを保証する。 この直交性制約は正規化によって損失関数に含まれる。 正規化の枠組みに基づいて、治療課題に直交する結果を学習する未確立治療のための深層直交ネットワーク(DONUT)を開発した。 平均治療効果を推定するために様々なベンチマークデータセットを用いて、DONUTが最先端の精度を大幅に上回ることを示した。

関連論文リスト

• Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner [72.20769640318969]
  医療の安全性と有効性を理解するためには,観測データから因果量の推定が重要である。 医療従事者は、平均因果量の推定だけでなく、治療効果のランダム性をランダムな変数として理解する必要がある。 このランダム性はアレタリック不確実性と呼ばれ、治療効果の利益や量子化の確率を理解するために必要である。
  論文  参考訳（メタデータ） (2024-11-05T18:14:49Z)
• Are causal effect estimations enough for optimal recommendations under multitreatment scenarios? [2.4578723416255754]
  異なる治療やコントロール下での潜在的な結果を比較するために、因果効果推定分析を含めることが不可欠である。 マルチトリートメント選択のための包括的方法論を提案する。
  論文  参考訳（メタデータ） (2024-10-07T16:37:35Z)
• Targeted Machine Learning for Average Causal Effect Estimation Using the Front-Door Functional [3.0232957374216953]
  結果に対する治療の平均因果効果(ACE)を評価することは、しばしば観察研究における要因の相違によって引き起こされる課題を克服することを伴う。 本稿では,目標最小損失推定理論に基づいて,正面基準の新たな推定手法を提案する。 本研究では,早期学業成績が今後の年収に与える影響を明らかにするために,これらの推定装置の適用性を示す。
  論文  参考訳（メタデータ） (2023-12-15T22:04:53Z)
• Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
  本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。 オラクル形式は影響関数の一貫した近似であることを示す。 次に、平均二乗誤差の観点から総合収束解析を行う。
  論文  参考訳（メタデータ） (2023-09-22T12:18:53Z)
• Proximal Causal Learning of Conditional Average Treatment Effects [0.0]
  異種治療効果を学習するための2段階損失関数を提案する。 提案手法は,市販の損失最小化機械学習手法により実装できる。
  論文  参考訳（メタデータ） (2023-01-26T02:56:36Z)
• Predicting the impact of treatments over time with uncertainty aware neural differential equations [2.099922236065961]
  本稿では,治療の効果を時間とともに予測する新しい手法であるCounterfactual ODEを提案する。 CF-ODEが従来よりも精度の高い予測と信頼性の高い不確実性推定を提供することを示す。
  論文  参考訳（メタデータ） (2022-02-24T09:50:02Z)
• To Impute or not to Impute? -- Missing Data in Treatment Effect Estimation [84.76186111434818]
  我々は,MCM(Mixed Con founded missingness)と呼ばれる新しい欠損機構を同定し,ある欠損度が治療選択を判断し,他の欠損度が治療選択によって決定されることを示した。 本研究は,全てのデータを因果的に入力すると,不偏推定を行うために必要な情報を効果的に除去するので,処理効果のモデルが貧弱になることを示す。 私たちのソリューションは選択的計算であり、CMMからの洞察を使って、どの変数をインプットすべきで、どの変数をインプットすべきでないかを正確に知らせる。
  論文  参考訳（メタデータ） (2022-02-04T12:08:31Z)
• 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)
• Sequential Deconfounding for Causal Inference with Unobserved Confounders [18.586616164230566]
  個別化治療効果を時間とともに推定する手法であるSequential Deconfounderを開発した。 これは、一般的なシーケンシャルな設定で使用できる最初の分解方法である。 本手法は, 経時的に個々の治療反応を偏りなく推定できることを実証する。
  論文  参考訳（メタデータ） (2021-04-16T09:56:39Z)
• 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)
• Learning Overlapping Representations for the Estimation of Individualized Treatment Effects [97.42686600929211]
  観測データから代替案の可能性を推定することは難しい問題である。 入力のドメイン不変表現を学習するアルゴリズムは、しばしば不適切であることを示す。 我々は,様々なベンチマークデータセットの最先端性を大幅に向上させる,ディープカーネル回帰アルゴリズムと後続正規化フレームワークを開発した。
  論文  参考訳（メタデータ） (2020-01-14T12:56:29Z)

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。