論文の概要: On Inductive Biases for Heterogeneous Treatment Effect Estimation
- arxiv url: http://arxiv.org/abs/2106.03765v1
- Date: Mon, 7 Jun 2021 16:30:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 18:31:25.481723
- Title: On Inductive Biases for Heterogeneous Treatment Effect Estimation
- Title（参考訳）: 不均一処理効果推定のための誘導バイアスについて
- Authors: Alicia Curth and Mihaela van der Schaar
- Abstract要約: 我々は、異なる治療下で、個人の潜在的成果(PO)の構造的類似性を利用する方法について検討する。
この問題を克服するために、エンドツーエンドの学習戦略を3つ比較する。
- 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: We investigate how to exploit structural similarities of an individual's
potential outcomes (POs) under different treatments to obtain better estimates
of conditional average treatment effects in finite samples. Especially when it
is unknown whether a treatment has an effect at all, it is natural to
hypothesize that the POs are similar - yet, some existing strategies for
treatment effect estimation employ regularization schemes that implicitly
encourage heterogeneity even when it does not exist and fail to fully make use
of shared structure. In this paper, we investigate and compare three end-to-end
learning strategies to overcome this problem - based on regularization,
reparametrization and a flexible multi-task architecture - each encoding
inductive bias favoring shared behavior across POs. To build understanding of
their relative strengths, we implement all strategies using neural networks and
conduct a wide range of semi-synthetic experiments. We observe that all three
approaches can lead to substantial improvements upon numerous baselines and
gain insight into performance differences across various experimental settings.
- Abstract（参考訳）: 有限標本における条件付き平均治療効果のより良い評価を得るために,異なる治療条件下で個人の潜在結果(pos)の構造的類似性をどのように活用するかを検討する。
特に、治療に効果があるかどうかがわからない場合、POsが類似しているという仮定は自然である - しかし、治療効果推定の既存の戦略では、たとえ存在せず、共有構造を完全に利用できない場合でも、暗黙的に不均一性を奨励する正規化スキームが採用されている。
本稿では,この問題を解決するための3つのエンドツーエンド学習戦略(正規化,再パラメータ化,フレキシブルなマルチタスクアーキテクチャ)を検証し,比較する。
相対的な強みを理解するために、ニューラルネットワークを用いて全ての戦略を実装し、幅広い半合成実験を行う。
3つのアプローチがすべて,多数のベースラインに大幅な改善をもたらし,さまざまな実験環境におけるパフォーマンス差の洞察を得ることが可能である。
関連論文リスト
- Higher-Order Causal Message Passing for Experimentation with Complex Interference [6.092214762701847]
本研究では、因果的メッセージパッシングに基づく新しい推定器のクラスを導入し、広範で未知な干渉のある設定に特化して設計する。
我々の推定器は、サンプルの平均値と時間とともに単位結果と処理のばらつきから情報を抽出し、観測データの効率的な利用を可能にする。
論文 参考訳（メタデータ） (2024-11-01T18:00:51Z) - Estimation of individual causal effects in network setup for multiple
treatments [4.53340898566495]
個別治療効果 (ITE) の推定問題について, 複数の治療と観察データを用いて検討した。
我々は、共同創設者の共有表現を学ぶために、Graph Convolutional Networks(GCN)を採用しています。
アプローチでは、個別のニューラルネットワークを使用して、各治療の潜在的な結果を推測する。
論文 参考訳（メタデータ） (2023-12-18T06:07:45Z) - The Blessings of Multiple Treatments and Outcomes in Treatment Effect
Estimation [53.81860494566915]
既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。
多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。
この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
論文 参考訳（メタデータ） (2023-09-29T14:33:48Z) - Generalization bounds and algorithms for estimating conditional average
treatment effect of dosage [13.867315751451494]
本研究では,治療薬対の条件付き平均因果効果を観測データと仮定の組み合わせで推定する作業について検討した。
これは疫学や経済学など、意思決定のために治療薬対を必要とする分野における長年にわたる課題である。
この問題に対するいくつかのベンチマークデータセットに対して、実証的に新しい最先端のパフォーマンス結果を示す。
論文 参考訳（メタデータ） (2022-05-29T15:26:59Z) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T20:13:17Z) - Modelling Heterogeneity Using Bayesian Structured Sparsity [0.0]
観察間で異なる変数の効果を推定する方法は、政治科学において重要な問題です。
本稿では,複雑な現象(同様の現象を離散群に展開する観測)を回帰分析に組み込む共通の方法を提案する。
論文 参考訳（メタデータ） (2021-03-29T19:54:25Z) - Policy design in experiments with unknown interference [0.0]
流出効果を考慮した政策の推定と推定について検討した。
単位は有限個の大きなクラスタにまとめられる。
本研究では,大規模フィールド実験における理論的保証と実装について述べる。
論文 参考訳（メタデータ） (2020-11-16T18:58:54Z) - Almost-Matching-Exactly for Treatment Effect Estimation under Network
Interference [73.23326654892963]
本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。
本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
論文 参考訳（メタデータ） (2020-03-02T15:21:20Z) - 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。