論文の概要: Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory
to Learning Algorithms
- arxiv url: http://arxiv.org/abs/2101.10943v2
- Date: Thu, 25 Feb 2021 13:36:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-13 20:03:12.444632
- Title: Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory
to Learning Algorithms
- Title（参考訳）: 不均一処理効果の非パラメトリック推定:理論から学習アルゴリズムへ
- Authors: Alicia Curth and Mihaela van der Schaar
- Abstract要約: プラグイン推定と擬似出力回帰に依存する4つの幅広いメタ学習戦略を解析する。
この理論的推論を用いて、アルゴリズム設計の原則を導出し、分析を実践に翻訳する方法について強調する。
- 参考スコア（独自算出の注目度）: 91.3755431537592
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The need to evaluate treatment effectiveness is ubiquitous in most of
empirical science, and interest in flexibly investigating effect heterogeneity
is growing rapidly. To do so, a multitude of model-agnostic, nonparametric
meta-learners have been proposed in recent years. Such learners decompose the
treatment effect estimation problem into separate sub-problems, each solvable
using standard supervised learning methods. Choosing between different
meta-learners in a data-driven manner is difficult, as it requires access to
counterfactual information. Therefore, with the ultimate goal of building
better understanding of the conditions under which some learners can be
expected to perform better than others a priori, we theoretically analyze four
broad meta-learning strategies which rely on plug-in estimation and
pseudo-outcome regression. We highlight how this theoretical reasoning can be
used to guide principled algorithm design and translate our analyses into
practice by considering a variety of neural network architectures as
base-learners for the discussed meta-learning strategies. In a simulation
study, we showcase the relative strengths of the learners under different
data-generating processes.
- Abstract（参考訳）: 治療の有効性を評価する必要性は経験科学のほとんどでユビキタスであり、柔軟に効果の不均一性を調べることへの関心は急速に成長しています。
そのため, モデルに依存しない非パラメトリックメタラーナーが近年提案されている。
このような学習者は、治療効果推定問題を独立したサブ問題に分解し、それぞれが標準の教師付き学習方法を用いて解決できる。
データ駆動方式で異なるメタリーナーを選択することは、偽情報へのアクセスを必要とするため困難である。
そこで,一部の学習者が先行学習よりも優れた成績を期待できる条件をよりよく理解することを目的として,プラグイン推定と擬似アウトカム回帰に依存する4つの幅広いメタ学習戦略を理論的に分析した。
議論されたメタラーニング戦略のベースラーナーとして,ニューラルネットワークアーキテクチャを考慮し,この理論的推論を用いてアルゴリズム設計の原則を導出し,我々の分析を実践に翻訳する方法を強調した。
シミュレーション研究では、異なるデータ生成プロセスにおける学習者の相対的な強さを示す。
関連論文リスト
- A Kernel Perspective on Distillation-based Collaborative Learning [8.971234046933349]
統計的に異種環境において局所データやモデルを直接共有しない非パラメトリック協調学習アルゴリズムを提案する。
理論的結果から着想を得て,ニューラルネットワークアーキテクチャに基づく実用的蒸留に基づく協調学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-23T06:40:13Z) - Unlearning with Control: Assessing Real-world Utility for Large Language Model Unlearning [97.2995389188179]
最近の研究は、勾配上昇(GA)を通した大規模言語モデル(LLM)の未学習にアプローチし始めている。
その単純さと効率性にもかかわらず、我々はGAベースの手法が過剰な未学習の傾向に直面することを示唆している。
過剰な未学習の度合いを制御できるいくつかの制御手法を提案する。
論文 参考訳（メタデータ） (2024-06-13T14:41:00Z) - Applying statistical learning theory to deep learning [21.24637996678039]
これらの講義の目的は、深層学習を理解しようとするときに生じる主な疑問の概要を提供することである。
良心過剰の文脈における暗黙の偏見について論じる。
本稿では, 線形対角線ネットワーク上での勾配降下の暗黙的バイアスを, 様々な回帰タスクに対して詳細に検討する。
論文 参考訳（メタデータ） (2023-11-26T20:00:53Z) - A Unified Generalization Analysis of Re-Weighting and Logit-Adjustment
for Imbalanced Learning [129.63326990812234]
そこで本研究では,データ依存型コンダクタンス(Data-dependent contraction)と呼ばれる手法を提案する。
この技術に加えて、不均衡学習のための微粒な一般化境界が確立され、再重み付けとロジット調整の謎を明らかにするのに役立つ。
論文 参考訳（メタデータ） (2023-10-07T09:15:08Z) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳（メタデータ） (2023-04-12T14:51:47Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Enhancing ensemble learning and transfer learning in multimodal data
analysis by adaptive dimensionality reduction [10.646114896709717]
マルチモーダルデータ分析では、すべての観測が同じレベルの信頼性や情報品質を示すわけではない。
この問題を克服するために,次元削減のための適応的アプローチを提案する。
多様な研究分野で得られたマルチモーダルデータセットのアプローチをテストします。
論文 参考訳（メタデータ） (2021-05-08T11:53:12Z) - On Data Efficiency of Meta-learning [17.739215706060605]
私たちは、現代のメタ学習アルゴリズムの見落とされがちな側面、すなわちそのデータ効率を研究します。
本稿では,メタラーニング手法を評価するための新しいシンプルなフレームワークを提案する。
本稿では,アクティブなデータ選択を学習学習に取り入れたアクティブなメタラーニングを提案する。
論文 参考訳（メタデータ） (2021-01-30T01:44:12Z) - A Comparison of Methods for Treatment Assignment with an Application to
Playlist Generation [13.804332504576301]
文献で提案される様々な手法をアルゴリズムの3つの一般的なクラス(またはメタナー)に分類する。
結果や因果効果の予測を最適化することは、治療課題の最適化と同じではないことを分析的および実証的に示す。
これは、大規模な実世界のアプリケーションにおける3つの異なるメタラーナーの最初の比較である。
論文 参考訳（メタデータ） (2020-04-24T04:56:15Z) - Provable Meta-Learning of Linear Representations [114.656572506859]
我々は、複数の関連するタスクから共通の機能の集合を学習し、その知識を新しい未知のタスクに転送する、という2つの課題に対処する、高速でサンプル効率のアルゴリズムを提供する。
また、これらの線形特徴を学習する際のサンプルの複雑さに関する情報理論の下限も提供する。
論文 参考訳（メタデータ） (2020-02-26T18:21:34Z)
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。