論文の概要: Calibration Error for Heterogeneous Treatment Effects

• arxiv url: http://arxiv.org/abs/2203.13364v1
• Date: Thu, 24 Mar 2022 22:10:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-28 14:09:26.941178
• Title: Calibration Error for Heterogeneous Treatment Effects
• Title（参考訳）: 不均一処理効果の校正誤差
• Authors: Yizhe Xu and Steve Yadlowsky
• Abstract要約: ヘテロジニアス処理効果(HTE)のためのロバストな推定器を提案する。 我々のアプローチは、二重に頑健な治療効果推定器によって動機付けられ、不偏で、補充、過度な適合、高次元性の問題に耐性がある。 本稿では,提案手法を用いて学習したHTEモデルの校正評価を行い,CRITEO-UPLIFT試験への適用について述べる。
• 参考スコア（独自算出の注目度）: 2.730388253761138
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, many researchers have advanced data-driven methods for modeling heterogeneous treatment effects (HTEs). Even still, estimation of HTEs is a difficult task -- these methods frequently over- or under-estimate the treatment effects, leading to poor calibration of the resulting models. However, while many methods exist for evaluating the calibration of prediction and classification models, formal approaches to assess the calibration of HTE models are limited to the calibration slope. In this paper, we define an analogue of the \smash{($\ell_2$)} expected calibration error for HTEs, and propose a robust estimator. Our approach is motivated by doubly robust treatment effect estimators, making it unbiased, and resilient to confounding, overfitting, and high-dimensionality issues. Furthermore, our method is straightforward to adapt to many structures under which treatment effects can be identified, including randomized trials, observational studies, and survival analysis. We illustrate how to use our proposed metric to evaluate the calibration of learned HTE models through the application to the CRITEO-UPLIFT Trial.
• Abstract（参考訳）: 近年、多くの研究者が不均一処理効果(hte)をモデル化するための高度なデータ駆動手法を持っている。 それでもなお、HTEの推定は難しい作業であり、これらの手法は治療効果を過大または過小評価することが多く、結果として生じるモデルのキャリブレーションが低くなる。 しかし, 予測モデルと分類モデルのキャリブレーションを評価する手法は数多く存在するが, HTEモデルのキャリブレーションを評価する公式なアプローチはキャリブレーション斜面に限られている。 本稿では,HTEのキャリブレーション誤差の予測値($\ell_2$)}の類似式を定義し,ロバストな推定器を提案する。 我々のアプローチは、二重に頑健な治療効果推定器によって動機付けられ、不偏で、補充、過剰適合、高次元性の問題に耐性がある。 さらに, ランダム化試験, 観察的研究, 生存率解析など, 治療効果を同定できる多くの構造への適応が容易である。 本稿では,提案手法を用いて学習したHTEモデルの校正評価を行い,CRITEO-UPLIFT試験への適用について述べる。

関連論文リスト

• Random Forest Calibration [21.602569813024]
  ランダムフォレスト(RF)は、他の機械学習手法と比較して比較的よく校正されているとしばしば主張されている。 等調回帰のような従来のキャリブレーション法は、RF確率推定のキャリブレーションを著しく向上させるものではない。 最適化されたRFは,従来のキャリブレーション手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-01-28T07:22:27Z)
• Class flipping for uplift modeling and Heterogeneous Treatment Effect estimation on imbalanced RCT data [0.0]
  授業と治療の不均衡は、アップリフト/HTE推定において重要な問題である。 本稿では,選択したレコードのクラス値のフリップに基づくアンダーサンプリングに代わるアプローチを提案する。 提案手法は予測効果を歪めず,キャリブレーションを必要としないことを示す。
  論文  参考訳（メタデータ） (2024-12-13T09:49:40Z)
• Neural Network Surrogate and Projected Gradient Descent for Fast and Reliable Finite Element Model Calibration: a Case Study on an Intervertebral Disc [9.456474817418703]
  そこで本研究では,L4-L5 IVD FEモデルを用いた新しい,効率的かつ効果的なキャリブレーション手法を提案する。 NNサロゲートは、シミュレーション結果を高精度に予測し、他の機械学習モデルより優れ、計算コストを大幅に削減する。 このような効率性は、より複雑なFEモデルを適用する方法となり、IVDを超えて拡張される可能性がある。
  論文  参考訳（メタデータ） (2024-08-12T11:39:21Z)
• Achieving Well-Informed Decision-Making in Drug Discovery: A Comprehensive Calibration Study using Neural Network-Based Structure-Activity Models [4.619907534483781]
  薬物と標的の相互作用を予測する計算モデルは、新しい治療薬の開発を加速するための貴重なツールである。 しかし、そのようなモデルはキャリブレーションが不十分であり、信頼性の低い不確実性推定をもたらす。 本研究では,ポストホックキャリブレーション法と不確実な定量化手法を組み合わせることで,モデルの精度とキャリブレーションを向上できることを示す。
  論文  参考訳（メタデータ） (2024-07-19T10:29:00Z)
• Calibrated and Conformal Propensity Scores for Causal Effect Estimation [10.209143402485406]
  学習された確率スコアモデルの確率的出力は校正されるべきである。 校正確率スコアはGWAS解析の速度を2倍以上に向上させる。
  論文  参考訳（メタデータ） (2023-06-01T06:26:26Z)
• Calibration of Neural Networks [77.34726150561087]
  本稿では,ニューラルネットワークの文脈における信頼性校正問題について調査する。 我々は,問題文,キャリブレーション定義,評価に対する異なるアプローチについて分析する。 実験実験では、様々なデータセットとモデルをカバーし、異なる基準に従って校正方法を比較する。
  論文  参考訳（メタデータ） (2023-03-19T20:27:51Z)
• Sharp Calibrated Gaussian Processes [58.94710279601622]
  キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。 本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。 我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:17:36Z)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [62.44901952244514]
  条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。 集約分析では、通常は分布処理効果(DTE)の測定によって対処される。 我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
  ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。 この課題に対処するための新しいクロスバリデーションのような方法論を提供する。 本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
  論文  参考訳（メタデータ） (2021-12-14T17:53:01Z)
• Bayesian prognostic covariate adjustment [59.75318183140857]
  疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。 我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
  論文  参考訳（メタデータ） (2020-12-24T05:19:03Z)
• Uncertainty Quantification and Deep Ensembles [79.4957965474334]
  ディープアンサンブルが必ずしもキャリブレーション特性の改善につながるとは限らないことを示す。 そこで本研究では,混成正規化などの現代的な手法と併用して標準アンサンブル法を用いることで,キャリブレーションの少ないモデルが得られることを示す。 このテキストは、データが不足しているときにディープラーニングを活用するために、最も単純で一般的な3つのアプローチの相互作用を調べる。
  論文  参考訳（メタデータ） (2020-07-17T07:32:24Z)

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。