論文の概要: Generalized Causal Tree for Uplift Modeling
- arxiv url: http://arxiv.org/abs/2202.02416v2
- Date: Tue, 19 Dec 2023 14:03:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 03:52:15.176250
- Title: Generalized Causal Tree for Uplift Modeling
- Title（参考訳）: 上昇モデリングのための一般化因果木
- Authors: Preetam Nandy, Xiufan Yu, Wanjun Liu, Ye Tu, Kinjal Basu, Shaunak
Chatterjee
- Abstract要約: 昇降モデリングは、マーケティングやポリシー作成からパーソナライズされたレコメンデーションまで、様々なアプリケーションにおいて重要である。
主な目的は、異種集団に対する最適な治療割り当てを学習することである。
複数の離散的かつ連続的な処理に対処するためのツリーベースアプローチの一般化を提案する。
- 参考スコア（独自算出の注目度）: 7.614863322262727
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Uplift modeling is crucial in various applications ranging from marketing and
policy-making to personalized recommendations. The main objective is to learn
optimal treatment allocations for a heterogeneous population. A primary line of
existing work modifies the loss function of the decision tree algorithm to
identify cohorts with heterogeneous treatment effects. Another line of work
estimates the individual treatment effects separately for the treatment group
and the control group using off-the-shelf supervised learning algorithms. The
former approach that directly models the heterogeneous treatment effect is
known to outperform the latter in practice. However, the existing tree-based
methods are mostly limited to a single treatment and a single control use case,
except for a handful of extensions to multiple discrete treatments. In this
paper, we propose a generalization of tree-based approaches to tackle multiple
discrete and continuous-valued treatments. We focus on a generalization of the
well-known causal tree algorithm due to its desirable statistical properties,
but our generalization technique can be applied to other tree-based approaches
as well. The efficacy of our proposed method is demonstrated using experiments
and real data examples.
- Abstract（参考訳）: upliftモデリングは、マーケティングやポリシー作成からパーソナライズドレコメンデーションまで、さまざまなアプリケーションで不可欠です。
主な目的は、異種集団に対する最適な治療割り当てを学ぶことである。
既存の研究の第一線は、不均一な処理効果を持つコホートを特定するために決定木アルゴリズムの損失関数を変更する。
別の研究の行では、処理グループと制御グループの個別の処理効果を、既成の教師付き学習アルゴリズムを用いて推定する。
異種治療効果を直接モデル化する以前のアプローチは、実際は後者よりも優れていることが知られている。
しかし、既存のツリーベースの手法は、主に1つの処理と1つの制御ユースケースに限られている。
本稿では,複数の離散的・連続的処理に対応するツリーベースアプローチの一般化を提案する。
我々は,その望ましい統計特性からよく知られた因果木アルゴリズムの一般化に着目するが,この一般化手法は他の木に基づく手法にも適用できる。
提案手法の有効性を実験と実データ例を用いて実証した。
関連論文リスト
- Heterogeneous Treatment Effects in Panel Data [1.5535138991304305]
回帰木を用いて,観測結果を類似の処理効果で解離クラスタに分割する手法を提案し,評価する。
我々の理論的結果は、結果の見積もりを真の治療効果に収束させるものである。
論文 参考訳（メタデータ） (2024-06-09T04:02:08Z) - Causal K-Means Clustering [5.087519744951637]
Causal k-Means Clusteringは、広く使われているk-means Clusteringアルゴリズムを利用して、未知の部分群構造を明らかにする。
既成のアルゴリズムを用いて簡易かつ容易に実装可能なプラグイン推定器を提案する。
提案手法は,複数の治療レベルを有する近代的な結果研究に特に有用である。
論文 参考訳（メタデータ） (2024-05-05T23:59:51Z) - Heterogeneous Treatment Effects in Regression Discontinuity Designs [0.0]
本稿では,古典的回帰不連続設計における処理効果の不均一性を明らかにするための教師付き機械学習アルゴリズムを提案する。
モンテカルロシミュレーションを用いて,Pop-Eleches と Urquiola (2013) によってコンパイルされたデータセットに適用し,ルーマニアのより良い中等教育に通うことによる様々な異種性の源を明らかにする。
論文 参考訳（メタデータ） (2021-06-22T09:47:28Z) - On Inductive Biases for Heterogeneous Treatment Effect Estimation [91.3755431537592]
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。
論文 参考訳（メタデータ） (2021-06-07T16:30:46Z) - A Twin Neural Model for Uplift [59.38563723706796]
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。
論文 参考訳（メタデータ） (2021-05-11T16:02:39Z) - MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。
当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
論文 参考訳（メタデータ） (2020-07-24T17:06:55Z) - Robust Recursive Partitioning for Heterogeneous Treatment Effects with
Uncertainty Quantification [84.53697297858146]
治療効果のサブグループ分析は、医療から公共政策、レコメンデーターシステムへの応用において重要な役割を担っている。
サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定するための特定のアルゴリズムから始まる。
本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。
論文 参考訳（メタデータ） (2020-06-14T14:50:02Z) - Learning Continuous Treatment Policy and Bipartite Embeddings for
Matching with Heterogeneous Causal Effects [8.525061716196424]
現在の方法では、単一の結果次元の処理効果に基づいて二項のイエスまたはノーの決定を行う。
本稿では, パラメトリザブルモデルとしての処理の有効性を定式化し, 様々な処理強度と複雑さにまで拡張することを提案する。
深層学習を利用して, 1次元の処理を非現実的に予測する代わりに, 所望の総体距離空間を最適化する。
論文 参考訳（メタデータ） (2020-04-21T01:36:20Z) - Causal Interaction Trees: Tree-Based Subgroup Identification for
Observational Data [0.0]
観察データを用いて治療効果を増強した被験者のサブグループを同定するための因果相互作用木を提案する。
データの観察特性を考慮した3つのサブグループ特異的処理効果推定器の特性を導出する。
本研究は, 重症心疾患患者に対する右心カテーテル治療の有効性を評価するための観察的研究である。
論文 参考訳（メタデータ） (2020-03-06T05:51:27Z) - 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)
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。