論文の概要: Efficient Heterogeneous Treatment Effect Estimation With Multiple
Experiments and Multiple Outcomes
- arxiv url: http://arxiv.org/abs/2206.04907v1
- Date: Fri, 10 Jun 2022 07:06:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-13 16:08:46.611772
- Title: Efficient Heterogeneous Treatment Effect Estimation With Multiple
Experiments and Multiple Outcomes
- Title(参考訳): 複数実験と複数結果を用いた高効率不均一処理効果推定
- Authors: Leon Yao, Caroline Lo, Israel Nir, Sarah Tan, Ariel Evnine, Adam
Lerer, Alex Peysakhovich
- Abstract要約: 分析結果から,1つの実験でHTEのみを気にしている場合でも,すべてのデータをまとめて分析することで,精度を大幅に向上できることが示唆された。
本稿では,低ランクあるいはLRラーナーと呼ぶ,シンプルでスケーラブルなモデルを提案する。
合成データと実データの両方の実験により、LRラーナーは独立したHTE推定よりもはるかに正確であることが示唆された。
- 参考スコア(独自算出の注目度): 12.450667876185877
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning heterogeneous treatment effects (HTEs) is an important problem
across many fields. Most existing methods consider the setting with a single
treatment arm and a single outcome metric. However, in many real world domains,
experiments are run consistently - for example, in internet companies, A/B
tests are run every day to measure the impacts of potential changes across many
different metrics of interest. We show that even if an analyst cares only about
the HTEs in one experiment for one metric, precision can be improved greatly by
analyzing all of the data together to take advantage of cross-experiment and
cross-outcome metric correlations. We formalize this idea in a tensor
factorization framework and propose a simple and scalable model which we refer
to as the low rank or LR-learner. Experiments in both synthetic and real data
suggest that the LR-learner can be much more precise than independent HTE
estimation.
- Abstract(参考訳): 異種治療効果(HTE)の学習は多くの分野において重要な問題である。
既存の手法の多くは、単一の治療アームと単一の結果メートル法による設定を考慮している。
しかし、多くの現実世界のドメインでは、実験は一貫して行われます。例えば、インターネット企業では、a/bテストが毎日実行され、さまざまな関心のある指標にまたがる潜在的な変化の影響を計測します。
分析結果から,1つの実験においてHTEのみを気にすると,すべてのデータを総合的に分析することで精度が大幅に向上し,クロス実験とクロスアウトのメトリクス相関を活用できることが示唆された。
このアイデアをテンソル分解フレームワークで定式化し,低ランクあるいはlr-learnerと呼ばれる,シンプルでスケーラブルなモデルを提案する。
合成データと実データの両方の実験により、LRラーナーは独立したHTE推定よりもはるかに正確であることが示唆された。
関連論文リスト
- Variance Reduction in Ratio Metrics for Efficient Online Experiments [12.036747050794135]
大規模なショートビデオプラットフォーム上での比率測定に分散低減手法を適用した: ShareChat。
その結果,77%の症例でA/Bテストの信頼性を向上できるか,データポイントを30%減らして同一の信頼性を維持することができることがわかった。
論文 参考訳(メタデータ) (2024-01-08T18:01:09Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Intra-class Adaptive Augmentation with Neighbor Correction for Deep
Metric Learning [99.14132861655223]
深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。
クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。
本手法は,検索性能の最先端手法を3%~6%向上させる。
論文 参考訳(メタデータ) (2022-11-29T14:52:38Z) - Learning to Infer Counterfactuals: Meta-Learning for Estimating Multiple
Imbalanced Treatment Effects [41.06974193338288]
本稿では,治療群間のデータエピソードをメタラーニングタスクとみなす。
そこで本研究では,ソース処理グループから十分なサンプルを用いてメタラーナーを訓練し,対象治療における限られたサンプルによる勾配降下によるモデル更新を行う。
実世界の2つのデータセットの実験を行い、推測精度と一般化能力を評価する。
論文 参考訳(メタデータ) (2022-08-13T23:22:12Z) - 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) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳(メタデータ) (2022-03-29T04:54:06Z) - Combining Observational and Randomized Data for Estimating Heterogeneous
Treatment Effects [82.20189909620899]
不均一な治療効果を推定することは、多くの領域において重要な問題である。
現在、現存するほとんどの作品は観測データにのみ依存している。
本稿では、大量の観測データと少量のランダム化データを組み合わせることで、不均一な処理効果を推定する。
論文 参考訳(メタデータ) (2022-02-25T18:59:54Z) - What can the millions of random treatments in nonexperimental data
reveal about causes? [0.0]
この記事ではこのようなモデルとベイズ的アプローチを紹介し、非経験的データで典型的に使用可能な 1(n2)$ のペアワイズ観測を組み合わせる。
提案手法は, 一般のnswサンプル, 任意のサブポピュレーションおよび大容量スーパーサンプルにおいて, 因果効果を回復することを示す。
論文 参考訳(メタデータ) (2021-05-03T20:13:34Z) - ReMP: Rectified Metric Propagation for Few-Shot Learning [67.96021109377809]
修正されたメートル法空間は、トレーニングからテストまでのメートル法一貫性を維持するために学習される。
多くの分析結果から、目的の単純な修正がかなりの性能向上をもたらすことが示唆された。
提案したReMPは効率的で効率的であり、様々な標準的な数発の学習データセットで芸術の状態を上回ります。
論文 参考訳(メタデータ) (2020-12-02T00:07:53Z)
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。