論文の概要: A Twin Neural Model for Uplift

• arxiv url: http://arxiv.org/abs/2105.05146v1
• Date: Tue, 11 May 2021 16:02:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-12 14:04:33.095456
• Title: A Twin Neural Model for Uplift
• Title（参考訳）: アップリフトのための双対神経モデル
• Authors: Mouloud Belbahri, Olivier Gandouet, Alejandro Murua and Vahid Partovi Nia
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 59.38563723706796
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Uplift is a particular case of conditional treatment effect modeling. Such models deal with cause-and-effect inference for a specific factor, such as a marketing intervention or a medical treatment. In practice, these models are built on individual data from randomized clinical trials where the goal is to partition the participants into heterogeneous groups depending on the uplift. Most existing approaches are adaptations of random forests for the uplift case. Several split criteria have been proposed in the literature, all relying on maximizing heterogeneity. However, in practice, these approaches are prone to overfitting. In this work, we bring a new vision to uplift modeling. We propose a new loss function defined by leveraging a connection with the Bayesian interpretation of the relative risk. Our solution is developed for a specific twin neural network architecture allowing to jointly optimize the marginal probabilities of success for treated and control individuals. We show that this model is a generalization of the uplift logistic interaction model. We modify the stochastic gradient descent algorithm to allow for structured sparse solutions. This helps training our uplift models to a great extent. We show our proposed method is competitive with the state-of-the-art in simulation setting and on real data from large scale randomized experiments.
• Abstract（参考訳）: upliftは条件付き治療効果モデリングの特別なケースである。 このようなモデルは、マーケティング介入や医療治療のような特定の要因に対する因果推論を扱う。 実際には、これらのモデルはランダム化された臨床試験の個々のデータに基づいて構築され、参加者を上昇に応じて異種グループに分割することを目標としている。 既存のアプローチのほとんどは、昇降事件に対するランダム森林の適応である。 文献ではいくつかの分割基準が提案されており、全て不均一性の最大化に依存している。 しかし実際には、これらのアプローチは過度に適合する傾向がある。 この作業では、モデリングの強化に新たなビジョンをもたらします。 本稿では,相対リスクのベイズ解釈との接続を利用して定義した新たな損失関数を提案する。 我々のソリューションは、治療と制御の個人に対する成功の限界確率を共同で最適化する、特定の双対ニューラルネットワークアーキテクチャのために開発された。 このモデルがupliftロジスティック相互作用モデルの一般化であることを示す。 我々は、構造化スパース解を許容する確率勾配降下アルゴリズムを改良する。 これは私たちのアップリフトモデルのトレーニングに大いに役立ちます。 提案手法は,シミュレーションおよび大規模ランダム化実験の実データ上での最先端技術と競合することを示す。

関連論文リスト

• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• Deep Variational Lesion-Deficit Mapping [0.3914676152740142]
  本稿では,病変欠損モデル比較のための包括的枠組みを提案する。 また,本モデルでは,すべてのシミュレーションシナリオにおいて,確立された手法よりもかなり優れていることを示す。 我々の分析は、このアプローチの広く採用されていることを正当化する。
  論文  参考訳（メタデータ） (2023-05-27T13:49:35Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Bayesian Additive Main Effects and Multiplicative Interaction Models using Tensor Regression for Multi-environmental Trials [0.0]
  本稿では,複数の因子が表現型予測に与える影響を考慮したベイズテンソル回帰モデルを提案する。 我々は、モデルのパラメータ間で生じる可能性のある識別可能性の問題を解決するための、事前分布のセットを採用する。 我々は2010年から2019年までのアイルランドにおける小麦生産に関する実世界のデータを分析して、我々のモデルの適用性を探る。
  論文  参考訳（メタデータ） (2023-01-09T19:54:50Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Deep Variational Models for Collaborative Filtering-based Recommender Systems [63.995130144110156]
  ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。 提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。 提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2021-07-27T08:59:39Z)
• Harmonization with Flow-based Causal Inference [12.739380441313022]
  本稿では, 医療データを調和させる構造因果モデル (SCM) に対して, 反実的推論を行う正規化フローに基づく手法を提案する。 我々は,この手法が最先端のアルゴリズムよりもドメイン間一般化に寄与することを示すために,複数の,大規模な実世界の医療データセットを評価した。
  論文  参考訳（メタデータ） (2021-06-12T19:57:35Z)
• Adapting Neural Networks for Uplift Models [0.0]
  アップリフトは、条件付き平均回帰(i)変換結果回帰(i)を用いて推定される。 既存のアプローチは、アップリフトケースに対する分類木と回帰木の適応である。 本稿ではニューラルネットワークを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-30T18:42:56Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)

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。