論文の概要: A framework for causal segmentation analysis with machine learning in
large-scale digital experiments
- arxiv url: http://arxiv.org/abs/2111.01223v1
- Date: Mon, 1 Nov 2021 19:22:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-03 14:17:02.556218
- Title: A framework for causal segmentation analysis with machine learning in
large-scale digital experiments
- Title（参考訳）: 大規模デジタル実験における機械学習を用いた因果分節解析の枠組み
- Authors: Nima S. Hejazi, Wenjing Zheng, Sathya Anand
- Abstract要約: 本稿では,因果セグメント発見のためのエンドツーエンドの方法論的枠組みを提案する。
提案手法は,(1)サブグループ特異的な治療効果に基づく候補治療の恩恵を受けるためのユーザセグメントの発見,(2)予測されたセグメント特異的な効果や害に基づいて,動的に単位を学習者の治療アームに割り当てることによる因果的影響の評価,の2つの目的を統一する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present an end-to-end methodological framework for causal segment
discovery that aims to uncover differential impacts of treatments across
subgroups of users in large-scale digital experiments. Building on recent
developments in causal inference and non/semi-parametric statistics, our
approach unifies two objectives: (1) the discovery of user segments that stand
to benefit from a candidate treatment based on subgroup-specific treatment
effects, and (2) the evaluation of causal impacts of dynamically assigning
units to a study's treatment arm based on their predicted segment-specific
benefit or harm. Our proposal is model-agnostic, capable of incorporating
state-of-the-art machine learning algorithms into the estimation procedure, and
is applicable in randomized A/B tests and quasi-experiments. An open source R
package implementation, sherlock, is introduced.
- Abstract（参考訳）: 本稿では,大規模デジタル実験において,ユーザサブグループ間の治療効果の差分を明らかにすることを目的とした,因果セグメント発見のためのエンドツーエンド方法論フレームワークを提案する。
因果推論と非半パラメトリック統計の最近の進展に基づき,(1)サブグループ固有の治療効果に基づく候補治療の利益となるユーザセグメントの発見,(2)予測されたセグメント固有の利益や損害に基づいて,学習者の治療アームに動的に割り当てたユニットの因果影響の評価,の2つの目的を統一した。
提案手法はモデル非依存で、最先端機械学習アルゴリズムを推定手順に組み込むことができ、ランダム化a/bテストや準実験に適用できる。
オープンソースのRパッケージ実装であるSherlockが導入されている。
関連論文リスト
- Federated Causal Inference: Multi-Centric ATE Estimation beyond Meta-Analysis [12.896319628045967]
我々は、中央に分散したデータから治療効果を推定するフェデレート因果推論(Federated Causal Inference)について検討する。
プラグインG-Formulaから得られた平均治療効果(ATE)推定器の3つのクラスを比較した。
論文 参考訳（メタデータ） (2024-10-22T10:19:17Z) - A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。
非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
論文 参考訳（メタデータ） (2024-01-26T14:21:45Z) - 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) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Estimating Structural Target Functions using Machine Learning and
Influence Functions [103.47897241856603]
統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。
このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。
我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
論文 参考訳（メタデータ） (2020-08-14T16:48:29Z) - Estimating the Effects of Continuous-valued Interventions using
Generative Adversarial Networks [103.14809802212535]
我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。
我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。
継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-02-27T18:46:21Z) - A Survey on Causal Inference [64.45536158710014]
因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。
観測データに対する様々な因果効果推定法が誕生した。
論文 参考訳（メタデータ） (2020-02-05T21:35:29Z) - 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) - An Efficient Framework for Automated Screening of Clinically Significant
Macular Edema [0.41998444721319206]
本研究は,臨床上重要な黄斑浮腫(CSME)の自動スクリーニングのための新しいアプローチを提案する。
提案手法は、トレーニング済みのディープニューラルネットワークとメタヒューリスティックな特徴選択を組み合わせたものである。
スクイードデータセットの効果を克服するために、機能領域のオーバーサンプリング技術が使用されている。
論文 参考訳（メタデータ） (2020-01-20T07:34:13Z) - Fisher-Schultz Lecture: Generic Machine Learning Inference on
Heterogenous Treatment Effects in Randomized Experiments, with an Application
to Immunization in India [3.3449509626538543]
ランダム化実験における異種効果の重要な特徴を推定し,推定する手法を提案する。
主な特徴は、機械学習プロキシを使用した効果の最良の線形予測器、インパクトグループによってソートされた平均効果、および最も最も最も影響の少ないユニットの平均特性である。
論文 参考訳（メタデータ） (2017-12-13T14:47:57Z)
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。